试析大数据背景下空中交通管制运行安全预警

赵奥博

（中国民用航空西北地区空中交通管理局，陕西西安 710000）

0 引言

近些年，国内空中交通建设实现高速发展，无论是飞行速度或是安全性等，均有明显提升，并且飞机数量和运行频率也得以大幅度提高。但同时，国内对此类交通形式的运行安全预警未能实现同步发展，这造成在应对航班遇险与冲突时有所不足。在大数据日渐成熟与实践应用经验积累中，空中交通的安全管理迎来新的发展机会。

1 空中交通管制运行安全预警

1.1 空中交通管制内容

空中交通管制借助通信、导航及监管等手段，实现对飞机的动态化管理，保障飞行过程的稳定性与安全性。国内航线以及空域的管理中，包括航路、飞行情报与塔台、进近和区调等，和雷达自动化系统配合，进行空中交通管制。通过较为完善的管理系统，识别与不间断管控、引导飞机。

1.2 安全预警管理概述

在空中交通管制下的安全预警，通常会被自然天气、管理安排、飞机自身情况等问题干扰，所以管理者衡量管制的风险时，一般是借助大数据手段针对各类干扰因素展开分析评估，为运行安全预警予以信息参考。利用安全预警，规避及防范、消除对正常飞行有干扰的因素。实际安全预警中，主要涉及3 个单元，即确定风险管控目标、采集预警信息、合理选用预警装置。在大数据背景下，安全预警系统可以融合其他信息化技术，不断提高交通管制的可靠性[1]。

1.3 大数据运用的特点

在空中交通管制中运用大数据，首先，能保障信息来源可靠。常规的安全预警系统，分析数据大多从传感装置取得，真正有价值的信息不多。但利用大数据采集安全预警信息，能进一步增强系统运行的可靠性，保障数据整理计算结果的准确性。其次保障管制的时效性。把大数据应用到管制过程中，有助于提升管理行为的及时性。对飞机飞行过程进行管制，如果分析行为超出设定时长区间，则会影响评估结果的价值。最后，信息种类多样。大数据背景下，可给安全预警予以视频、雷达、气候、OA 等资料，为保障交通管制的良好效果创造基础条件。

2 干扰空中交通管制运行安全的常规要素

对于航空器来说，管制中心对保障其安全运行有极高的关键性，全部与航空器运行相关的信息资料均要经过管制中心，而后对航空器接下来的运行动作提供指挥决策。站在管理视角的层面来讲，对飞机运行过程带来安全风险的要素有人员、飞机自身、环境及管制。而其在运行期间形成的数据，基本上来自于管制、通导、气象及情报4 个部门[2]。干扰飞机运行安全的因素见图1。

图1 干扰飞机运行安全的因素

3 大数据下空中交通管制运行安全预警优化举措

3.1 构建安全风险预警体系

一方面，预测功能。管制工作中，预测是实现后续工作的基础节点，改善预测效果能有效降低飞行交通事故的出现概率，利用风险预警分析出最贴合实际状况的管理推测。另外，把大数据和预测环节有机融合，支持剖析预警机制及数据资料。通过对飞行资料的整合统计，输出系统运行状态，并及时显示预警信息，提高安全预警下的预测水平。借助对大数据内容的观察，多个部门联动，保障风险预测的可信性。对此，首先需根据空中交通的现实状况，利用大数据手段，设置安全预警工作的合理化决策目标。其次，做好信息采集，构成大数据管控系统，加强对数据信息的研究精准性。最后，结合学术成果，运用适宜的预测思路与方法，保障对管制数据的预警及分析质量。另一方面，打造全方位管理机制。现阶段，空中交通管制的安全预警，相关部门依然运用大数据手段，确定工作事项，保证评估过程的及时性。安全预警期间，借助大数据，进行整体调试与飞行指挥，进一步细化及量化航空器的运行模式，提高空中交通管理的质量。依托于大数据，建立安全预警平台，支持全程管控。利用不断完善交通预警，持续更新风险管控行为的时效性，把计算机应用程序与大数据有机融合，建立比较全面的安全预警机制。

3.2 组建优质综合人才队伍

在大数据背景下，空中交通管制的运行安全预警体系，应依托于有关专业工作者分析评估获取的各类信息，由此才能给飞机平日飞行予以安全保护。所以，相关部门应当全面提高员工大数据的认识，在经营条件许可的情况下，积极引进优质的复合型人才，逐渐完善既有工作队伍。①部门需适当扩张选聘范畴，同时注意和有关专业的学校合作，定向引进人才，保障工作队伍成员拥有更加先进的观念、理论储备扎实且丰富、技能专业的特点。此外，要基于队伍成员的个性化差异，安排其到适合的职位上，做到人尽其才。②定期带领新老职工进行学习教育，在完善更新自己理论结构的前提下，不断强化其大数据认识，并熟练操作有关大数据的各类技术，由此使安全预警工作能有序进行。另外，监管负责人需尽可能确保其他工作人员可以在自身岗位职责下，全方位渗透大数据观念，让其能通过工作实践，逐步加强个人专业能力、职业素养与工作操守，及时、准确地把信息传达给有关部门。

3.3 准确判断数据的冗余度

大数据时代下，空中交通管制的安全预警，关键是通过全面分析与评估等，对处于飞行形态中的飞机实时状况等加以确定。但在现实管制期间，对应数据库的空间容量固定，为保障监管行为落实的有效性，需确保分析与判断运行风险结果的形成时效性、内容可靠性，有关工作者需合理、完整筛选与研究大数据，以此锁定最具参考价值的信息。这是由于倘若参考信息太过冗余，则会影响安全预警的工作效果，并且导致管制延迟，直接关系到飞行安全。但假设筛选分析的参考信息，规模适合，同时拥有较强的代表性，可辅助预警分析工作者，高效、合理识别各项风险，以此提高有关工作的总体运行成效，给飞行决策指挥予以高可信度的参考依据。所以，相关工作者通过大数据库进行风险评估的过程中，应当准确判断筛选数据的冗余度，继而设置更为合理的评估指标，有效过滤冗余内容，为飞行决策提供有利保障。基于此，尽可能发挥出有限资源的作用，实现全面调动运用，维护空中交通稳定[3]。

3.4 落实数据信息共享体系

安全预警管理需拥有完备的管控体系，辅助专业工作者利用大数据手段、网络技术，完整信息整合与筛选，优化预警环节的推进效率。另外，建立信息共享体系，可实现对网络信息的系统化管控，推进资源共享，强化管制体系下的互动沟通。在遇到突发情形时，各部门可通过信息共享及协调，提高对突发事件决策的及时性与有效性，尽可能降低飞行风险。比如，某航空公司曾有一个航班，在飞行期间飞机前挡风玻璃发生损坏，在各方实时交流配合下，最终成功迫降。并且在事后分析中，借助对飞行信息的整合统计，结合人员、气候及飞机自身等因素，确定事故发生原因。总之，利用大数据逐步优化数据共享体系，能增强对事件、运行信息的研究科学性，并结合虚拟网络，对飞机进行全方位的管控，及时锁定系统漏洞，方便实施决策指挥，消除控制中心瘫痪的风险。

3.5 创新平日管理工作模式

为对平日利用大数据推进的安全预警处理，实施全方位、动态化的监管，相关部门需不断追求对工作模式的创新。为此可成立专项监管队伍，安排专人对有关工作的总体落实进度，实施不间断监管，让操作人员能在既定程序下，结合大数据，把工作过程进行量化与改良处理，由此进一步明确不同部门的工作划分。另外，监管队伍需不断敦促有关人员，按照获取的各类信息，随即实施分析及评估，判断飞行动态，实现在大数据背景下，提高安全预警的执行效率。与此同时，部门还需结合每日采集并记录的大数据，对安全预警进行总体上的级别划分，也就是工作人员要按照设定的风险指标与操作规范等，对大数据实行深层次地筛选与归类，对运行风险变化趋势加以判断及预测，达到灵敏预警的目的。

3.6 建立安全预警的知识库

3.6.1 管制运行状态

运行安全中，管制与通导、气象、情报属于干扰安全的要素与来源。按照不同要素对应的特征变量，构建可以反映出管制情况的描述向量空间（用“S”表示）。其中，特征变量为：一方面，各要素对应静态运行信息的变量有四项基本数据、管制工作者资料、空域数据、设备装置配置等。另一方面，动态变量有：来自不同自动化系统的信息；管制工作进行中形成的信息，包括指令、操作记录、运行信息、进程单等；班组划分、值班日志等各类管理信息；管制运行中的环境信息，比如航线、气象、军航活动、地理坐标等。假设四项要素分别是：C（管制）、N（通导）、M（气象）、I（情报），按照管制运行程序，得到各项要素的特征变量，当成基础向量，各自用：（w1，w2，…，wp1）、（x1，x2，…，xp2）、（y1，y2，…，yp3）、（z1，z2，…，zp4）表示。上述变量中，包括连续型与离散型的变量，并且部分变量间，还有关联性，所以在建立描述向量空间里的基础向量中，应先对各变量的主要构成进行分析，继而消除相互之间的关联性，实现有效降维，方便评估计算。

3.6.2 向量构成分析

就基础向量而言，主要构成分析是把原有信息的p1个变量，进行线性组合，继而筛选出P1个综合变量，即F1，F2，…，FP1。在F1中，涵盖相对较多的原始数据量，也就是全部线性组合中，让var（F1）达到最大组合的相应变量，即第一主构成；F2同理，属于第二主要构成，并且cov（F1，F2）=0、var（F2）较大；其他变量按照顺序依此类推，由此能确定F1，F2，…，FP1方差会逐渐递减，同时互无关联。每项综合指标能按照原始信息变量处于相应线性组合中规定的实际权重，进行分析。一般会选择贡献占比相对更大的若干主要构成，视为原始信息变量的主要构成，由此推进后续分析，提高计算的便利性。相关分析运行步骤如下。

第一步，对原始信息进行标准化处理。分析主要构成前，应当处理好原始信息，解决各变量量纲的干扰。假设共有n 组分析样本，由此能整理出样本矩阵（W）。

基于样本矩阵（W），此处选择zscore 标准化的处理方式，结合原始信息均值与标准差，得到运行表达式如式（2）所示。

第二步，各变量间的关联性分析。主要构成分析方式的本质是反映出原始变量相应的内在联系，所以，应当确定求解样本信息相关系数的矩阵，以此支持对各变量关联性的分析。

第三步，特征量和特征向量。基于相关系数矩阵，确定特征求解方程，继而得出若干特征值与相应向量，以及特征向量矩阵（A）。

第四步，提取主要构成。因为综合变量方差处于递减状态，所以一般会按照该方差在总方差中的占比情况，挑选累计方差相对更大的若干综合变量，视为主要构成。相关表达式如见式（3）。

其中，ηj——贡献率，也就是每项综合变量方差占据总方差的比例，贡献率偏高，说明对应综合变量涵盖的原始变量数据更多，大多会挑选累计贡献率超过85%的综合变量当作主要构成，在实现合理降维的基础上，尽量保障原始变量信息的全面性；λj——j 个特征值。

综合向量和不同干扰要素的原始基础向量相较，其包括的指标，相互之间没有关联性，同时含义也更为具体，能比较好地反映出管制运行安全干扰要素中，管制工作者应当相对关注的预警信息。

3.6.3 预警知识聚类

实践管理建设知识库中，因为不确定分析样本具体有几类，所以可选择聚类分析方式，得到具体的种类数量。基于此，借助K均值实现迅速聚类，确定特征比较突出预警要素的知识归类[5]。一方面，对空中交通运行样本的初步归类，运用系统聚类分析。此过程应当是Q 型的系统聚类，结合统计应用程序，可以较为便利地完成该环节。聚类期间，先把所有管制运行样本当成同一类别，逐步合并间距相对最近的类，直至全部样本划分成一类，完成整个聚类过程（图2）。对于聚类期间的样本类型数目（m），可借助“树状图”或是“合并步数类别距离”曲线显示的距离系数拐点，得出类别数目。

图2 Q 型的系统聚类流程

另一方面，对空中交通运行样本的终极归类，运用K 均值的聚类方式。根据初步形成的样本类型数目，进一步运用K 均值聚类，得出样本归类结果。聚类过程为：按照样本类别数目m，从n个样本信息中，随机抽选m 个样本，当成初始的聚类中心，而后按照各样本间的相似性，开始聚类迭代，逐渐调整聚类中心样本，直至达到迭代的中止条件。相应的聚类迭代过程见图3。通过K 均值聚类，可以确定围绕m 个聚类中心的样本成员，也就是多个类型的预警要素特征。而后实施全面汇总，建立预警知识库。按照不同类型预警要素代表安全风险的危险性，确定各自的预警级别。实践管制中，实时和飞行中产生的信息加以匹配分析，由此达到安全风险判断与预警的目的。

图3 K 均值聚类迭代过程

4 结语

国内空中交通事业持续发展，相关的运行安全预警逐渐得到更多关注，其关系到生命财产安全。根据近些年的现实开发研究情况，应当将大数据深度应用到日常管制中。具体而言，要从思想、技术、管理等多个层面，渗透大数据，秉承持续创新的观念，优化管理模式、预警体系等，并注重数字化手段的运用，加深安全预警工作的自动化程度。