空管数字化转型中的数据业务化与可视化初探

徐 雯

(福建空管分局，福建 福州 350001)

大数据、云计算、物联网及人工智能等技术的迅猛发展和广泛应用，以及各类新兴技术与生产生活的深度融合，对我国经济社会发展产生了深刻影响。党的十九届四中全会明确将“数据”作为生产要素，使得数字化转型成为顺应发展潮流的必然选择，以“智慧”为特征的行业变革正在全方位重塑民航业态。空中交通管理(以下简称空管)作为保障民航安全高效运行的重要中枢，也顺势而为把握机遇，积极探索空管数字化转型之路。数字化转型既需要“业务数据化”，也需要“数据业务化”。空管行业的业务数据化已随着信息化和电子化的发展不同程度地完成，但对数据业务化和可视化的深化应用仍在初期探索阶段。

1 数据业务化

国际民航组织(ICAO)积极推进全球航行信息共享，数字经济、大数据、新基建等也都纳入了政府工作报告。在信息大爆炸的今天，我们最缺的不是数据，而是对这些数据的理解与应用。空管各业务领域的信息系统较为完善，但缺乏有效的整合利用。如果止步于此，数字化转型便只能浮于信息化的表面，数据只是无意义的数字，无法真正释放其价值，实现业务赋能。因此在业务数据化的同时，还必须实现数据业务化。

业务数据化是将各个业务环节的原始痕迹以数据形式进行表现和解读，并将这些数据系统性地组织起来，实现客观世界在计算机世界里的复制和还原。而数据业务化是指数据经过整合、分析、加工乃至预测后，智能化地反哺业务，为更精准的决策提供依据，为更高效的管理提供指导。

“业务数据化”与“数据业务化”的关系可以简述为数据从业务场景中来，又反过来回到业务场景中提供指导。二者相辅相成，同是数字化转型不可或缺的环节。虽然目前已有各种业务数据化的解决方案，但信息收录不全、标准不一的问题仍然存在。正如人们难以从缺失或错误的线索中得出正确的结论，数据作为基础素材，其数量和质量决定了数据业务化成果的可靠性和精确度。因此，数据业务化也对业务数据化提出了更高要求，倒逼上游数据收集存储的优化。

2 数据可视化

在获取了海量多维运行数据的基础上，辨明其潜藏深意、挖掘其潜在关联，则有赖于数据可视化的帮助。可视化是一种数据的视觉表现形式，利用图形化手段，清晰、有效地传达信息，从而实现对复杂数据集的深入洞察。借助可视化，我们得以更好地呈现数据的意义。

一组数字或者表格的表现力单一，局限性大。相较之下，图形、颜色、标尺等帮助我们更加直观地理解数据。空管运行数据横跨管制、情报、气象、通信导航等多个专业领域，分散于各个运行系统中却又相互作用紧密联系，对于如何将这些维度多元、体量庞大、错综复杂的离散数据整合展示，可视化具有明显的优势。各数据点的位置、大小、相对关系等都以更具象的形式表现出来，这样的画面感帮助我们从局部或者整体亦或是两者的关系去观察数据所表达的意义，可以说是“见树又见林”，也为更深入的数据分析提供了研究方向。

3 融合应用

数据业务化让数据资产充分释放潜能，可视化则为数据业务化提供高质量的解读和洞察切入点，提升了信息获取的效率，二者的融合应用能够满足不同数据消费者的定制化需求。通过构建贴合运行情境的管理视角，帮助不同岗位、层级能够基于一致的理解实现无缝配合。民航福建空管分局于2020年实施了智慧空管创新项目，陆续开展了云计算、大数据、机器学习等新技术在空管运行管理领域的研究和验证工作，目前仍在持续迭代研发中。本文结合其中的几个实践案例加以说明。

3.1 航迹汇聚分析

空管自动化系统是空中交通管制员对空指挥的核心系统，它的主要功能是对多源雷达数据及自动相关监视(ADS)信号进行融合处理，并与飞行计划动态相关联，输出综合航迹数据，为管制员提供空中交通的各项实时信息，包括航空器的方位、高度、航向和速度等航行诸元。管制员通过自动化系统，掌握航空器的运行动态，实施管制指挥。但面向运行指挥的定位使其着重于对单架航班的逐个关注，而从整体视角提炼航班流规律特征较为欠缺。其记录重演服务器(DRF)24小时不间断地记录着综合航迹数据和系统时间信息，滚动存储30天，可回放30天内某一时刻的历史航迹。但对于回放更早的时刻或是一段时间内的航迹累积并不支持，而观察一段较长时间区间内的航迹叠加情况，更能反映出空域内交通流的整体运行规律。

因此，我们将空管自动化系统中输出的综合航迹数据长期保存，对历史航迹进行统计分析，并在地图上描绘出来，可以抽象出较为频繁和相对固定的飞行轨迹，从而反映航线繁忙程度、改航路线、偏离规律、管制负荷等。线条的粗细表征了航迹分散或集中的程度，越粗则该区域内的各个位置都有航迹经过，反之则各航迹趋近于重叠。明暗程度表征流量疏密，越亮则该航迹上叠加的流量越多，反之则流量越小。借助历史航迹汇聚的表现力呈现空域内的飞行轨迹全貌，既能清晰地显露规律性，又能容易地发现离群点。

图1展示了福州一管制空域内2022年1月19日的航迹汇聚数据。为了更容易区分不同性质的航空器，我们将进港与离港航班分别用红色和黄色标识，两股航班流的分离程度一目了然。从图中能够清晰地识别出红色的进港航班流大都严格按照航线飞行，黄色的离港航班流则较为频繁地出现了偏离，但是偏离程度都集中在航线两侧5海里左右。航班流在D点交汇处的情况更为复杂，飞行轨迹纵横交错，多个交叉点相对集中、互相干扰，远离交汇处的航班流则呈分离疏散趋势。航迹汇聚分析帮助再现空域运行的整体态势，为判明矛盾主次、优化资源配置提供了直观的决策依据。

图1 2022年1月19日航迹汇聚分析

图2为2021年5月31日同一空域内的飞行轨迹。因彼时大雨，空域中分布有快速移动的积雨云，航班为避开危险天气执行了一定程度的绕飞。可以明显看出，复杂气象条件下不仅飞行量降低，而且航迹汇聚形态显著区别于常态，鲜有航迹贴合预定航线，且改航轨迹显得杂乱无章，失去了原有的分布特征，趋势难辨。这也使得管制指挥增加了不确定性，原有的调配预案不再适用。因此，研究不同季节、不同气象条件、空域限制乃至运行周期内的航迹汇聚变化趋势具有很强的指导意义。

图2 2021年5月31日航迹汇聚分析

结合气象信息、限制区域等图层的叠加，可进一步进行致因分析，为挖掘潜在关联因素指明研究方向。特别是在飞行量持续增长、空域资源日益紧张的背景下，为理顺交通流走向、优化繁忙航段提供了数据支撑，也为改进预案策略、实现进离港均衡给予有力辅助。

3.2 冲突热力图比对

保障安全是管制服务的首要任务和核心目标，空域运行情况越繁忙则安全保障的压力也随之提升。飞行流量是反映空域繁忙与否的重要因素，但并不足以涵盖全部，存在流量攀升但有序顺畅、无需管制员干预的情况，也存在流量虽处于低位但航班之间两两冲突、牵一发而动全身的场景。因此必须将冲突情况纳入考量，才能更准确地量化空域繁忙程度。此处所讨论的“冲突”，是指如果管制员不进行干预或者密切监控则很有可能引发不安全事件的情况，并不意味着已经触发了飞行间隔标准的底线，但管制员必须投入相当的精力持续关注或是直接采取措施缓解风险。例如两架航空器以同样的高度、从不同方向趋近同一个导航台，管制员指令其中一架航空器改变高度层，以确保两机在水平间隔最小时仍有足够的垂直间隔。这种情况下，可以认为两架航空器之间存在冲突。

根据空管自动化系统输出的综合航迹计算出两机相对位置，从而判定是否存在冲突，并将冲突点在地图上描绘出来。根据两机航迹的夹角大小，可将冲突分为顺向、相对、交叉、分散等类型。通过读取各个区域的冲突点数量和疏密程度，能够快速判别不同区域的调配量大小及主要冲突类型，高效制定有针对性的指挥预案，建立重点突出、特征鲜明的冲突模型。

图3为福州某空域内2022年2月1日至3月31日的冲突对比图。左侧展示的是交叉型冲突，右侧为相对型的冲突分布，上部表格则列出了两类冲突的具体数值及在A1、A2等各区域中的分布情况。对比发现，交叉型冲突主要集中于D点处，其余位置仅零星分布，这与图1中航迹汇聚分析所示的D点处多条航班流交错汇合的情况相吻合；相对型冲突则与图1中的高亮双色航班流相重合，印证了大流量的双向干线航路更易发生逆向冲突；同时，A1及A2区域内相对型冲突较之交叉型占据主导，T(即塔台)区域内反之。

在冲突集中的区域，会出现多个冲突点重叠于同一位置的情况，容易造成冲突数量的误判。为解决这一问题，我们将冲突点以热力图的形式呈现，单个冲突点为暗绿色，较多冲突点叠加于相近位置则显示为亮黄色，冲突在同一位置高发则标注为醒目的红色。即颜色越黯淡冲突发生频率越低，颜色越鲜亮警醒则冲突越频发，以此清晰地提示管制员对冲突多发航段予以重点关注，发现隐藏的管制运行风险，为运行人员及管理者提供空域冲突模型的画面感，也为预案的制定和选择提供可量化、可视化的依据。

图4 为福州某空域内2021年第四季度与第三季度的冲突热力图对比。左侧为2021年10月1日至12月31日的数据，右侧为2021年7月1日至9月30日，上部表格则列出了各类型冲突的具体数值及在A1、A2等各区域中的分布情况。比较得出，第四季度的冲突量显著增长，约是第三季度的两倍，其中相对型冲突量的提升最为突出，是第三季度的6.9倍，交叉型及顺向型冲突量变化不大，分散型冲突则大幅度减少。从空间分布来看，第四季度西南部航段的冲突较第三季度激增且位置集中，而东北部航段的冲突也有所增长，但是聚集程度较轻，基本均匀分布于航段上。这样的可视化横向比较，使得不同条件下冲突点的空间分布和频发位置的偏移都能一目了然，空域的繁忙程度和调配的复杂程度得以量化。

持续监测冲突点的变化规律和趋势，能够直观显示区域内的冲突聚集情况是否消解，冲突的频发程度是否降低，有助于科学评测所采取的冲突缓解措施是否有效。

(a)交叉型 (b)相对型

(a)第四季度 (b)第三季度

3.3 数据相关性分析

空管运行系统作为一个有机整体，并非各个业务环节的机械组合或简单相加，这就需要关注数据之间的潜在关联，以此作为运行管理的切入点。尤其在复杂多变的运行环境中，难以在短时间内抽丝剥茧、定位问题并寻根溯源。因此，传统的“出现问题—识别致因—采取补救”的被动式管理方式，相对瞬息万变的运行情况而言显得总是“慢半拍”。在积累了大量的运行数据后，我们得以通过综合分析多元数据洞察其关联性，依据数据间的相关关系而非因果关系主动发现疑似的风险点，从而向前瞻式管理模式迈进。

以陆空通话检查为例，传统做法是随机抽样，即随机选取回放不同时间段的陆空通话录音进行检查，确认通话的语速是否合适、用语是否标准、话音是否清晰等。抽查时段的随意性较大，在样本较小的情况下难以锁定问题。有限的人力面对海量的运行数据必然力不从心，这就需要关注运行中的偏离点，缩小范围，更有针对性地排查问题。

将管制指挥最直接相关的两个指标——流量及通话负荷，对齐在时间轴上进行分析比较。流量反映一定时间范围内航班数量的多少，通话负荷则反映了这段时间范围内陆空通话的繁忙程度，例如以15分钟为周期，管制员与机组累计通话了10分钟，则通话负荷记为66.67%。图5展示的是福州一空域 2021年5月7日13∶52至15∶25的流量负荷峰值统计，图6则为2022年1月27日00∶00至03∶15 的流量负荷峰值比较情况。通过观察航班流量与通话负荷的关系不难发现，二者在大部分时候同增同减，即在航班流量上涨的情况下，通话负荷也随之升高，反之亦然，这也非常符合一般认知。

图5 2021年5月7日流量负荷峰值统计

图6 2022年1月27日流量负荷峰值统计

需要注意的是，在部分时段，二者的增减成反比，如图7所示。1时左右航班流量下降，4时左右维持在低水平，但这两个时刻的通话负荷却显示上升，根据通话内容复核，是由于当时受大雨影响，机组的绕飞和管制员通报机场天气等导致通话量增加。其他可能造成流量低位通话负荷却攀升的原因还包括空域中出现复杂限制、各类恶劣天气、遇险航班等；反之若航班流量上升或维持在高水平时，通话负荷却显示持续保持在低水平，则也可能出现了特殊情况。无论哪种都可以视为与普遍规律的偏离，指导我们有的放矢地重点关注异常时段，以便进一步核查和复盘。根据冰山理论，这些筛查出的疑似事件为发现隐患提供了线索和突破口，有助于规避可能存在的风险。

图7 2021年5月31日流量负荷峰值统计

4 结论

在数字化转型的浪潮下，数据被赋予了新的使命。对充分释放数据潜能的迫切需求，加速了空管管理思路的转变和技术应用的升级。为了避免在信息利用过程中的盲目和迷失，需始终强调 “数据业务化”的必要性，让积累沉淀的数据不再成为闲置资产，为顺畅业务运行和提升管理效能创造真正的价值。可视化又进一步帮助我们在多元致因无法剥离分析的复杂场景下，从现象向本质溯源。从海量运行数据中抽取的线索，指引我们刻画空管运行特征，构建安全风险模型，为研判安全形势、合理配置资源以及衡量调配效果等精细化管理，提供数据支撑和决策依据。

围绕数据的业务化与可视化，数据得以在持续的流动和积累中，发挥聚焦短板、精准施策和统筹协调的积极作用，实现管理能力相对发展速度的关系从“追赶”到“引领”的转变，助力民航空管高质量发展。