MMGCL：用于飞行异常检测的多尺度多通道图对比学习方法

《Knowledge-Based Systems》：MMGCL: Multi-Scale and Multi-Channel Graph Contrastive Learning for Flight Anomaly Detection

飞行异常检测方法基于多尺度多通道图对比学习（MMGCL），构建飞行相似性和传感器关联性双图，通过多通道对比学习区分正常与异常航班，结合风险评分和传感器偏离正常中心距离判断异常。实验验证其优于基线方法且可解释性强。

　　随着航空交通的日益复杂，智能飞行异常检测在确保飞行安全方面变得尤为重要。传统的解决方案通常将单架飞机的多个传感器记录整合为一个扁平且不可分割的原子样本进行分类。这种方法在引入相似飞行的外部信息和识别传感器之间的内部机制方面存在局限。然而，与相似正常飞行之间的偏差程度可以评估飞行风险，而对传感器的建模则有助于明确风险的来源。为此，我们提出了MMGCL模型，这是一种基于多尺度和多通道图对比学习的飞行异常检测方法。MMGCL首先构建两种类型的图，分别用于建模飞行相似性和传感器相关性，从而建立飞行与传感器之间的关系。接着，我们提出了多通道对比学习模块，从不同传感器的角度区分正常与异常飞行，其中每种传感器对应一个通道，并有一个正常的中心。可学习的传感器表示进一步用于训练一个分类器，以评估风险得分。最后，将风险得分与传感器与其正常中心之间的距离结合起来，以判断飞行是否异常。大量实验验证了我们的模型在检测性能上优于其他方法，并且对识别的异常具有良好的可解释性。我们的代码可在以下链接中获取：[anonymous.4open.science/r/MMGCL-6768](anonymous.4open.science/r/MMGCL-6768)。

随着航空交通量的激增，飞行异常事件也变得越来越频繁。根据国际民航组织（ICAO）[1]的一份报告，2023年全球的乘客数量达到了42亿，相比2022年的32亿有了显著增长。定期航班的商业飞行起降次数也增加了约13%，从2022年的3100万次上升至2023年的3500万次。因此，事故总数也有所上升，增长率达到3.1%。为应对这一情况，ICAO推出了全球飞行安全计划（GASP），旨在建立统一的飞行安全策略，以减少飞行事故中的伤亡和风险。飞行异常检测作为识别未知安全事件和分析异常的重要技术，因此在确保飞行安全方面至关重要，并得到了广泛研究。多种传感器，如高度、速度和温度，常用于监测飞机在飞行过程中的状态。这些传感器记录形成高维时间序列，是飞行异常检测和分析的重要数据来源。

当前的研究主要集中在从飞行的角度检测异常，而对传感器的详细分析则较为有限。例如，离群点检测是识别异常的一种主流策略[2]。这类方法的核心在于评估正常飞行与异常飞行之间的距离。自然地，如果一架飞行与标准飞行的距离较远，那么它很可能是异常的。然而，由于这些方法将飞行中的各种传感器记录整合为一个整体，因此在对传感器进行异常分析时存在困难[3]。此外，传统的监督学习方法也可以用于飞行异常检测，前提是通过手工标注的方式提供异常信息。例如，Nanduri和Sherry利用飞机每个时间点的标签来训练检测模型，然后预测下一个时间点的标签[4]。同样，这些方法专注于将飞行分类为正常或异常，而忽略了传感器之间的差异，导致对异常的解释能力较弱。尽管领域专家可以在检测到异常时对案例进行分析[5]，但随着安全事件数量的增加和飞行数据量的扩大，这种做法变得不可持续。

因此，为了明确飞行异常的原因，有必要从传感器的角度对飞行进行建模，并在飞行和传感器两个层面同时检测异常。一些研究工作已经遵循了这一流程，并从层次结构上考虑了飞行和传感器之间的关系。例如，Janakiraman等人[6]引入了深度时间多实例学习方法，用于所有传感器的异常检测，然后独立评估每个传感器的异常风险。具有最高风险的传感器被用作代表，以对飞行进行分类，并且最有可能成为异常的来源。这种努力是对异常解释的合理尝试，但其他传感器被忽略，没有考虑到飞行与传感器之间有用的联系以及传感器之间的复杂互动[7]。

飞行和传感器的联合建模并非易事。然而，这种方法仍面临以下两个挑战。首先，如图1所示，对于异常飞行来说，没有明确的信号能够揭示哪些传感器是正常的。缺乏细粒度的标签使得异常与传感器之间的关系缺失，难以建模。这也是为什么Janakiraman等人[6]通过忽略其他传感器，专注于单一代表传感器来简化任务。其次，当考虑多种传感器时，飞行之间的关系变得更加复杂。例如，同一架飞行的近邻可能因不同传感器而有所不同，这可能导致相互矛盾的结论。

为了解决这些挑战，我们提出了一种基于多尺度和多通道图对比学习的飞行异常检测模型（MMGCL）。具体而言，我们首先引入了一个多尺度图构建模块，根据传感器表示之间的距离构建多个飞行相似性和传感器相关性图。通过动态建模和整合这两种类型的图，我们可以捕捉到飞行的外部参考和内部互动信息。更重要的是，传感器相关的图提供了一个细粒度的视角，以揭示异常的原因。接着，我们提出了一个多通道图对比学习模块，从不同传感器的角度区分正常与异常飞行。每种传感器对应一个特定的通道，并有一个典型的中心，该中心是根据相关飞行相似性图的特征向量中心性确定的。最后，我们选择在该通道中距离中心最远的传感器来代表飞行。该传感器表示和飞行标签结合，用于训练一个分类器，以评估异常风险得分。风险得分与传感器表示与其正常中心之间的距离相结合，共同决定飞行是否异常。在真实世界数据集上的大量实验验证了我们提出方法的优越性。

本研究的主要贡献总结如下：首先，我们通过同时建模飞行相似性和传感器相关性来检测飞行异常，使得能够在传感器层面识别异常的原因。其次，我们提出了MMGCL模型，该模型能够构建多尺度图以从不同方面建模传感器之间的关系。此外，它采用多通道图对比学习来区分正常和异常的表示。最后，它根据分类器生成的风险得分与传感器与其正常中心之间的距离的结合来判断飞行是否异常。第三，实验表明，MMGCL在NASA公开的商业异常检测数据集上检测性能优于基线方法。此外，进一步的案例研究验证了MMGCL解释飞行异常事件的能力。

MMGCL框架的目标是通过构建多种图来捕捉飞行数据中传感器之间的潜在关系，并利用对比学习增强正常与异常传感器之间的区分能力，从而实现高效的飞行异常检测和潜在原因推理。接下来，我们将详细说明模型的各个模块。

在MMGCL中，我们首先构建了两种类型的图：飞行相似性图和传感器相关性图。飞行相似性图用于表示不同飞行之间的相似程度，而传感器相关性图则用于表示同一飞行中不同传感器之间的关联。这两种图的构建基于传感器表示之间的距离，通过动态建模和整合，可以有效地捕捉飞行的外部参考信息和内部传感器互动信息。特别地，传感器相关性图提供了细粒度的视角，使得能够识别异常的具体来源。通过构建多尺度的图，我们能够从不同层面分析飞行和传感器之间的关系，从而更全面地理解异常的成因。

随后，我们提出了多通道图对比学习模块，该模块从不同传感器的角度区分正常与异常飞行。每个传感器被分配到一个独立的通道，并有一个对应的正常中心。正常中心是根据相关飞行相似性图的特征向量中心性确定的。这一设计使得我们能够在不同通道中分别处理和分析传感器的数据，从而提高模型的准确性。在每个通道中，我们选择距离正常中心最远的传感器来代表飞行，这有助于识别飞行异常的主要来源。通过这种方式，MMGCL不仅能够检测异常，还能够解释异常的原因，为飞行操作提供有价值的参考。

为了进一步验证MMGCL的性能，我们在NASA公开的商业异常检测数据集上进行了系统实验。实验结果表明，MMGCL在检测性能上优于基线方法，并且能够有效地解释检测到的异常事件。此外，我们还进行了一系列的案例研究，以验证MMGCL在实际应用中的能力。这些实验不仅评估了模型的检测能力，还分析了其在异常原因推理方面的表现。通过这些研究，我们展示了MMGCL在复杂飞行数据中的优势，并证明了其在实际应用中的可行性。

在实验过程中，我们首先评估了MMGCL的整体检测性能。结果表明，MMGCL在多个指标上优于其他方法，能够更准确地识别异常事件。接下来，我们进行了消融实验，以分析模型各个模块对检测性能的具体贡献。实验结果表明，多尺度图构建模块和多通道图对比学习模块在提高检测性能方面起到了关键作用。此外，我们还评估了MMGCL在异常原因分析方面的能力。实验结果表明，MMGCL能够有效地帮助操作人员推理检测到的异常事件的潜在原因，从而为飞行安全提供更深入的理解。

通过这些实验，我们验证了MMGCL在实际应用中的有效性。MMGCL不仅能够准确检测飞行中的异常事件，还能够提供合理的解释，这使得其在飞行安全领域具有重要的应用价值。此外，MMGCL的模块化设计使其能够灵活适应不同的数据集和应用场景，这为未来的研究和应用提供了广阔的空间。总之，MMGCL在飞行异常检测和原因分析方面展现出强大的能力，为提升飞行安全提供了新的思路和方法。