《Aerospace》：A Review of Flight Abnormal Behavior Analysis and Trajectory Anomaly Detection Methods
Yexin Wu,
Yifei Zhao and
Hongyong Wang
空中交通日益复杂，随着航空业的扩张，飞行安全正受到越来越多的关注。根据飞行经验和安全监管标准，飞行异常行为通常通过轨迹及其他行为特征加以表现。轨迹异常检测是保障飞行安全的关键环节。本综述系统梳理了飞行异常行为分析与轨迹异常检测的相关研究。首先，明确了飞行异常行为和轨迹的定义；随后，提出了飞行轨迹异常检测的研究框架；在此基础上，阐述了速度异常、高度异常和航向偏差三类轨迹异常检测方法；主要应用包括异常预警、在线实时异常检测以及飞行异常行为的定量评估。未来研究应涵盖飞行交通行为分类、融合飞行轨迹及其他数据源以识别飞行异常行为等方面。本研究为轨迹检测技术的发展提供了更具操作性的见解，对深入理解飞行异常行为具有重要意义。
2 飞行异常行为与轨迹异常的定义与特征
2.1 飞行行为
飞行行为被概念化为对空中交通内在属性的系统性观测与诠释，包括速度、航向与位置信息等。通过飞行轨迹数据集可系统识别低效行为。大量历史飞行轨迹的观测表明，为最小化燃油消耗和飞行时间，航班通常努力保持平飞或连续下降剖面，仅在指定转弯点进行机动。因此，理想化飞行轨迹可视为仅由航路点转弯和直线段组成，对应转弯和直线飞行行为模式。然而，受突发天气或交通冲突解脱影响，航班可能需要进入等待航线或执行阶梯式下降。这些非理想化机动不可避免地延长飞行时间和距离，表现为一种低效行为。
根据国际民用航空组织（ICAO）发布的《全球空中航行系统性能手册》，效率沿时间和距离两个维度定义。低效行为指耗时或距离超过必要水平的飞行。研究人员通过检查轨迹航向连续变化检测盘旋，识别出水平航向偏转超过360°的圆形机动；通过比较实际飞行距离与最短可能轨迹的比值测量绕飞轨迹效率；利用最优性能参考剖面，测量垂直偏差评估垂直效率，以额外进近时间与无阻碍进近时间的比值评估水平效率，区分高效的连续下降操作与低效的阶梯式下降，并进一步发现绕飞和等待模式对整体进近效率的影响。
与安全相关的异常行为相比，低效行为虽值得关注，但安全相关的异常行为更需首要关注。中国民用航空局（CAAC）、ICAO等机构已颁布专门监管框架。除法规外，学术界发展了多种异常识别方法，与法规依赖规则和指标阈值不同，学术研究采用更复杂的分析方法，如K-Means、K-Medoids、DBSCAN等聚类算法以及自编码器（Autoencoder）等神经网络技术，进行多因素异常分析，识别速度异常、异常能量状态和航向异常等具体偏差。有研究利用广播式自动相关监视（ADS-B）数据表征终端区飞行行为，识别常见轨迹模式以建立标称行为基准模型来检测偏差。从统计学角度，异常检测可通过从历史轨迹数据集中提取常见模式实现，偏离此类模式即归类为异常。
飞行行为研究从效率和安全性角度可分为低效行为和异常行为。鉴于安全性的至关重要性，异常行为研究理所当然地吸引更多关注。在研究对象方面，飞行轨迹及其派生变量如速度和加速度是行为识别的主要来源；此外，快速存取记录器（QAR）中的参数如角速率和机载系统告警信息也是关键数据来源。方法上，除法规中预定义的参数告警阈值用于工程实施外，低效和异常行为研究的主流方法依赖于对历史轨迹进行聚类以得出代表性行为基准模型，进而以轨迹偏离基准的程度对其归类。
2.2 飞行轨迹分析
轨迹数据主要来源于空中交通管制中的二次监视雷达（SSR）和广播式自动相关监视（ADS-B）。SSR采用询问/应答模式进行目标观测，通过接收数据估计航空器运动学参数；ADs-B是一种基于全球定位系统的空中交通管制监视技术，航空器自动广播位置、高度、飞行识别号、速度和航向等数据。由此，航空器轨迹可定义为离散点集，每个轨迹点包含地理坐标、时间戳、速度和航向。在ADs-B数据和该多元模型背景下，航向（具体为水平面内的航迹角）指航空器相对于正北的方位，是描述速度矢量方向的关键水平参数，需与表征垂直剖面（爬升或下降率）的飞行路径角等垂直维度参数明确区分。
QAR数据包含数千个关于飞行状态、发动机运行状态和驾驶舱输入的参数。在QAR数据支持下，飞行轨迹的定义可扩展至更高维度，如纳入爬升和下降率等空间属性。此外，有研究者基于ADs-B数据引入了轨迹的能量特征。参考关键告警参数，飞行轨迹多元轨迹模型的数学描述为包含位置、时间、速度、航向、姿态和能量特征的多维变量集合。这些变量可从运行飞行数据中提取。统计上，若某飞行轨迹显著偏离大量样本轨迹的分布特征，则被视为异常。
有研究者定义了轨迹点集周围的边界框，利用自编码器原理将框内轨迹投影至低维潜在空间，通过反向传播训练模型以最小化重构误差，生成对应原始输入的重构输出。为确保高度、航向和速度等异质参数的维度一致性，重构误差在标准化单位空间中计算，采用加权归一化相对单位衡量观测轨迹与其重构对应物之间的差异量度。重构误差是识别异常飞行轨迹的主要判据，其大小可实现低效轨迹和异常轨迹的区分，为飞行行为提供定量测度。较小的重构误差往往对应偏离基准、增加运行成本但仍处于可接受安全裕度内的低效轨迹；而较大重构误差（尤其超过临界阈值）则表征具有实质性安全风险的异常轨迹。
评估飞行行为的传统方法涉及监控关键安全参数的超限，专业上定义为"飞行事件"。例如，根据飞行运行质量保证（FOQA）指南，针对不同飞行阶段设定具体监控项目和标准。此类手册中的限值描述是确定性的，故有研究者提出安全参数的区间化方法，用不同颜色界定偏差等级，但该方法无法反映参数超限的方向性，也不能为飞行员提供明确的操纵建议。
为解决确定性边界带来的模糊集问题，有研究者提出通过颜色编码注释划分风险等级的方法，为飞行员感知物理边界模糊性提供了科学理论基础。本研究在此基础上采用黑、红、黄、绿四色直观表示飞行参数偏差等级：绿色为安全等级，参数处于标称允许范围内；黄色为注意等级，对应尚未构成违规的显著偏差；红色为危险等级，通常对应违反飞行法规的偏差；黑色为灾难等级，参数超出限值，代表潜在的坠机或事故风险。整个飞行的综合安全性由所有关键参数在各时刻最高偏差等级的叠加决定，整个预测期的综合偏差值可通过加权概率公式量化，该模型有效实现了对飞行行为安全的综合评估，能够在危险升级为事故前识别潜在风险。
2.3 飞行异常行为与轨迹异常的关系
飞行异常行为和轨迹异常是既有区别又相互关联的概念。根据安全法规，飞行异常行为在民航行业法规框架内定义，指航空器违反既定安全标准或因操纵不当、环境因素偏离飞行员预期的状态；而轨迹异常是从统计和研究视角建立的概念，表征与大多数数据或标称分布在数学上不一致的观测。
两者的关系在于，统计轨迹异常是包含法规异常行为的更广范畴，且轨迹异常常常是异常行为的前兆。例如，飞行路径或能量状态的细微偏差在统计上可被检测，远早于其达到行业法规定义的硬阈值。因此，轨迹异常检测对识别飞行异常行为和为主动安全管理提供可操作见解具有重要意义。
3 轨迹异常检测综合研究框架
根据前述定义，飞行轨迹异常检测涉及三个步骤：轨迹数据处理、轨迹聚类和异常检测。从ADs-B和QAR等数据源提取并预处理关键参数，进行轨迹聚类以识别异常轨迹，从而实现航空器轨迹异常检测并提升飞行安全。随着数据驱动范式的发展，该研究领域仍面临以下问题与挑战：轨迹数据处理方面，有效处理海量复杂数据集的能力构成显著瓶颈，尤其在高维数据中异常具有高度隐含性和微妙性；异常事件通常稀少，导致训练和验证样本不足且分布不均。轨迹聚类质量方面，能否通过相关方法检测所有异常是衡量聚类质量的关键，核心在于选择适当的距离函数，同时提高轨迹聚类算法的准确性和计算效率。异常识别方面，主要依赖统计异常检测和法规标准建立的阈值来判别异常，但难以设定涵盖所有可能异常行为的阈值范围；统计异常对应的离群值未必与法规关注的异常一致，正常与异常的界限通常不精确且在 evolve。异常检测的鲁棒性与可解释性方面，由于应用领域异常定义的异质性，当前研究主要依赖算法开源库的小规模实现，缺乏大规模模型的训练方法、经验和理论框架；模型的"黑箱"特性阻碍了算法和结果的泛化性与可解释性保证。
综合考虑上述挑战和飞行轨迹异常研究的具体特点，构建了轨迹异常检测综合研究框架。该框架的核心在于安全法规定义的"行为异常"与数据模型计算的"轨迹离群值"之间的一对一映射，包含四个关键模块：基于法规的行为分类、多元轨迹建模、目标算法匹配和应用场景映射。
3.1 飞行异常行为分类
通过分析面向安全的异常飞行行为，综述了飞行运行质量保证（FOQA）中的超限参数类型，概括了飞行异常行为的要素：速度异常、高度异常和航向变化，这些要素可组合成多种异常行为。
为系统可视化研究全景，遵循航空研究中的文献计量分析方法，对相关异常轨迹文献进行了综合分析。通过从Web of Science数据库提取数据，对相关文献关键词进行量化分析，识别出五大聚类：蓝色代表基础建模与冲突检测，为轨迹预测提供理论框架；黄色代表安全管理与不确定性，强调机器学习如何提升飞行安全标准；绿色涵盖轨迹相关算法研究，包括轨迹优化设计、冲突解脱与轨迹预测，以及提升模型确定性和鲁棒性的努力；紫色聚焦于轨迹跟踪与预测建模；红色包含基于异常行为的异常检测技术研究，涉及深度学习、基于时间序列的方法和离散数据检测。这些聚类共同涵盖异常飞行行为、轨迹相关算法模型及实践应用价值，形成轨迹异常检测的综合框架。
3.2 多元飞行轨迹模型的建立
构建航空器轨迹模型以基于多维数据识别轨迹点异常。从SSR和ADs-B等数据源提取纬度、经度、高度、航向和空速等关键轨迹参数建立轨迹模型；从QAR提取俯仰角和滚转角等表示航空器姿态的补充参数，建立更综合的轨迹模型。本质上，轨迹特征值用于指示飞行行为。
轨迹点异常主要包括位置更新异常和航空器主动发送的异常信息。位置更新异常指飞行航空器轨迹信息长时间未更新的情况；航空器在非法干扰、无线电通信失效、紧急情况遇险等条件下主动发送A7500、A7600、A7700等异常信息。这些问题与轨迹跟踪和应急处理研究密切相关，与航空器异常行为关系不大，本文不再进一步讨论。
3.3 异常识别技术
基于多元轨迹模型，轨迹跟踪作为生成基准轨迹的基础机制，其主要作用是建立高保真度的参考基线，代表航空器预期或标称飞行路径，为后续异常识别提供定量起点。结合文献计量分析结果，航空器异常行为识别技术研究分解为四类：速度异常、高度异常、航向变化和轨迹点异常。这些异常随后使用轨迹聚类、自编码器和神经网络等算法模型进行识别，同时采用生成模型和风险预测方法实现轨迹异常预警。
这些识别技术的目标是实现特定异常飞行现象的检测，包括突然速度变化、低高度、突然高度变化、复飞、等待航线、位置更新异常和航空器主动报告等。基于与异常飞行行为相关的安全管理需求，并考虑异常检测技术和轨迹模型，本文讨论了航空器异常行为识别与轨迹异常检测的相关性。
4 基于轨迹的飞行异常行为检测近期进展
异常检测的实现可识别不符合预期或规范模式的行为。算法上，传统异常检测技术通常分为基于距离的、基于集成的、基于统计的、基于重构的和基于域的方法。基于距离的方法主要包括基于最近邻和基于聚类的方法，依赖数据间聚类，适用于低维数据异常检测。集成方法包括局部离群因子（LOF）和孤立森林（Isolation Forest）等，但仍存在检测偏差。基于统计的检测主要利用数据概率分布划分正常与异常数据的边界，代表性模型为高斯混合模型（GMM），使用数据到估计均值的距离作为异常分数。基于重构的方法主要涉及将高维数据投影至低维空间进行轨迹重构，如自编码器，但易产生信息损失。基于域的方法通过训练数据定义边界或域以确定正常值阈值，如支持向量机（SVM），通过区分正常和异常数据的参数向量进行异常检测，但对数据质量高度敏感。
机器学习方法对异常检测研究的近期进展做出了重要贡献，主要涉及神经网络、高级自编码器、生成模型和时序逻辑学习模型。例如，生成对抗网络（GANs）、自编码器、贝叶斯神经网络等复杂机器学习模型在异常检测中广泛应用，将研究焦点从简单统计异常值识别转向复杂飞行行为的深度语义理解。
4.1 速度异常检测
根据复杂状态认定定义（UPRT），复杂状态指航空器飞行姿态或速度偏离正常轨迹的意外情况。据此，速度异常可定义为速度短期变化与飞行条件不一致的状态。
关于速度异常检测，研究者于2010年开发了多核异常检测（MKAD），假设正常操作的数据模式并应用单类支持向量机（SVM）检测速度异常，但难以应对多样飞行条件。研究团队提出基于聚类分析的ClusterAD-Flight技术识别数据集中常见模式，假设大多数飞行呈现常见模式而偏离即为异常，实验表明其在检测航空器进近速度过高情况方面 outperform MKAD。由于短期内显著速度变化构成飞行中的瞬时异常，该团队还开发了基于高斯混合模型的在线方法ClusterAD-DataSample，自动识别多种典型飞行操作并准确检测飞行中的异常，避免未知异常行为的遗漏，有效检测由速度异常引起的不稳定进近。本质上，两者均基于标称飞行数据建模并将偏差检测为异常，无需依赖预定义的超限阈值。
随着神经网络技术进步，研究者引入了用于高维时间序列数据异常检测的无监督深度生成模型——卷积变分自编码器（CVAE）。通过分析空速降低超过特定阈值引发的不安全事件，发现CVAE在异常检测的准确率（ACC）、检测率（DR）和虚警率（FAR）方面均优于传统聚类方法和基于深度学习的方法。另有研究者设计了贝叶斯自编码器神经网络模型，提取纬度、经度、速度以及滚转和俯仰角等参数，通过重构飞行数据识别着陆轨迹中的异常行为，研究了不同损失函数，揭示过高的垂直速度可导致航空器重着陆。航空器的机动偏转反映在姿态角变化中，随后随轨迹加速度和速度矢量变化，最终改变飞行轨迹并导致不安全事件。因此，进近和着陆阶段的速度和高度异常值得高度关注。
速度异常检测主要解决突然速度异常、未知重大风险遗漏和实时风险识别问题。通过利用基于高斯混合模型的轨迹聚类、自编码器和单类支持向量机等方法，异常检测模型的计算能力、可解释性和准确性得到 considerable 提升，实现了轨迹速度异常严重程度的量化，促进由速度偏差驱动的异常飞行行为准确识别，并支持速度管理相关运行建议的提供。
4.2 高度异常检测
高度异常包括低高度和突然高度变化。低高度指航空器飞行于过高度过低的高度。ICAO安全报告中，低高度及其后续的有控飞行撞地（CFIT）风险被列为重点监控的重大事件。
针对低高度异常检测，研究者引入了能量高度概念，将位置高度信息转换为能量等效高度值以测量异常低高度状态。能量高度指航空器动能完全转换为势能而无任何机械能损失时的理论高度。通过使用豪斯多夫距离（Hausdorff distance）构建轨迹相似度矩阵并对能量高度轨迹应用谱聚类，可有效识别异常低高度轨迹，克服了传统几何高度分析的局限。为增强轨迹特征可解释性和异常能量高度的前兆信息，研究者提出了基于催化剂质量的聚类分析（CMCA），成功检测到能量高度异常轨迹的前兆，结果表明飞行员能量管理意识薄弱可能是航空器异常低高度行为的主要原因，该方法已成为主动飞行安全管理的有价值工具。
突然高度变化指短时间内航空器高度的意外改变。法航447号航班事故等航空事故中，重大运行事件发生前不久出现了高度异常变化。高度突然变化的异常轨迹往往与异常速度密切相关。研究者基于轨迹数据记录定义能量指标，强调其对飞行速度和高度的依赖性。在此基础上，研究者整合运行环境和轨迹数据应用自编码器检测通用航空机队的瞬时能量异常，能有效识别历史高度异常轨迹并为飞行员和空中交通管制员提供运行建议，降低异常高度风险。该团队进一步将比势能（SPE）和比动能（SKE）作为两个主要能量指标，代表总比能变化率（STER），其中SPE可理解为飞行高度。使用基于加权欧氏距离的DBSCAN方法进行空间和能量异常检测，相对于先前的能量高度研究，该方法提供了整合空间和能量指标的一般异常检测流程，并量化高度变化轨迹的异常程度。另有研究者提出了基于时序逻辑的递归异常检测算法（TempAD），用于检测高度、速度和能量指标的异常，生成终端区轨迹异常检测的数据驱动模型，改善了机器学习方法的"黑箱"问题，提供强可解释性。
除基于能量的异常检测外，研究者提出了利用QAR数据的混合特征选择（HFS）方法，通过有监督和无监督方法选择高度相关特征，聚焦航班着陆阶段。采用SHAP（Shapley Additive exPlanations）模型可视化和分析高度相关关键参数对重着陆事件的边际效应。认识到不安全事件如重着陆表现为多维传感器流中的异常模式，具有复杂的时间依赖性，研究者设计了基于时间卷积网络（TCNs）的双视角对比框架，显著提高了高度异常的检测精度。
高度异常检测方法基于能量指标广泛应用于低高度和突然高度变化研究，如能量高度和特定总能量变化率。这些技术可解决速度和高度同时变化的异常并量化异常程度。多数研究采用基于距离的轨迹聚类和贝叶斯网络提高异常检测计算能力，识别由高度变化引起的高风险不安全事件。
4.3 航向异常检测
航向异常常表现为复飞和等待航线中的非预期转弯，定义为航空器水平方位持续意外变化或显著偏离预设飞行航迹。有效监控此类异常需要提高轨迹跟踪精度，即实际飞行路径相对预设轨迹的维持精确度。
复飞指航班在着陆下降过程中开始持续爬升的异常行为。与低高度异常不同，复飞是飞行员有意实施的机动，飞行从预期进近着陆转为持续爬升，伴随航空器高度的显著变化。研究者对超过18万次起飞和着陆进行聚类分析，在确保计算速度和准确性的同时，基于谱算法和训练数据构建隐马尔可夫模型（HMM）估计给定观测飞行参数，发现终端区大多数异常飞行表现为复飞行为，即下降过程转为爬升。有效检测复飞需要提高轨迹跟踪精度，提供精确飞行状态信息并实现异常航向偏离监控。提高轨迹跟踪精度的根本作用是建立代表飞行标称或预期路径的高保真度参考基线，通过增强跟踪技术主动补偿环境扰动或传感器噪声引起的时空偏差，有效区分真实的、有意的状态转换与信号噪声，防止异常机动的误报或漏报。有研究者提出了迭代学习控制方法，利用历史数据预测扰动因素，通过生成新参考轨迹主动补偿时空偏差，从而提高轨迹跟踪精度。通过识别航空器着陆下降过程中的持续爬升或下降操作，尽量避免异常复飞行为。
稳定进近标准涉及飞行轨迹、空速和飞行路径角。值得注意的是，航向角是测量水平方位波动的核心指标，而飞行路径角主要用于评估进近阶段垂直维度的能量状态稳定性。因此，符合稳定进近标准可作为判断是否应复飞的基准。研究者尝试使用数据驱动且可解释的隧道高斯过程（TGP）增强基于法规的稳定进近要求，通过概率方式表示四维轨迹的进近和着陆参数，描述异常复飞的可理解概率。基于高级场面运动引导和控制系统（A-SMGCS）记录的着陆参数，可分析复飞行为是否符合稳定进近标准。
等待航线异常行为指航空器航向在某一时期显著持续变化的情况。研究者从ADs-B数据提取经度、纬度、速度和航向信息，利用豪斯多夫距离计算轨迹数据的多特征相似度，结合层次聚类方法检测异常行为，实验证明基于多维特征聚类的时序异常检测方法可识别航向持续变化的异常轨迹。针对航空器轨迹数据的高维性、异质性和时变性，研究者设计了基于深度混合密度网络（DMDN）的算法，将每条轨迹定义为包含位置、空速、航向和飞行信息的多元时间序列向量，通过长短期记忆网络（LSTM）编码轨迹特征，并使用高斯混合模型参数化飞行轨迹的统计特征。实验结果表明该方法能有效检测航向显著变化的异常轨迹。
航向异常检测聚焦于复飞和等待航线问题。作为稳定进近标准之一的飞行路径角是航向异常检测的关键参数。大多数研究利用隐马尔可夫模型和高斯混合模型等机器学习方法识别异常航向变化并提高航迹跟踪精度。
4.4 应用
当前在全飞行行为分析的基础上，异常检测方法在统计理论上通常与航空法规规定的异常标准一致。当前飞行异常行为与轨迹检测研究的应用如下：
4.4.1 异常预警
异常轨迹预警仍处于初始阶段。研究者提出了基于统计过程控制的QAR数据分析方法，利用±3σ原则确定控制限以提前异常预警阈值，可减少虚警和漏警。开发异常轨迹的预警逻辑、条件和指标仍是应用研究中具有挑战性和 crucial 的重点。
4.4.2 实时在线异常检测
实时在线监控异常轨迹对主动安全管理至关重要。研究者提出了基于机载QAR数据的实时重着陆预警方法，针对识别重着陆的事后分析，优化了序列到序列长短期记忆（LSTM）网络的预测模型，预警可提前8秒且预测准确率达98%。但随训练迭代 Research 增加，模型易过拟合且梯度更新不稳定，限制鲁棒性。在LSTM架构基础上，创新性地纳入多维飞行动力学变量，显著提高了异常检测速度和准确性。另有研究者应用循环神经网络预测异常飞行场景，计算效率提升至99.2%，为飞行员提供关键响应时间并可能激活自动恢复系统。在实际应用场景中，推进在线实时轨迹异常检测技术对实现智能化、自动化和自适应的飞行轨迹监控系统至关重要。
4.4.3 异常飞行行为定量评估
定量评估在提高飞行安全、加强飞行员培训和优化航空器维护策略方面发挥核心作用。针对现有方法侧重逐点异常检测而无法捕捉异常飞行行为整体严重性的不足，研究者超越了"正常与异常"的传统二元范式，引入了更细粒度和鲁棒的定量评估方法。有研究使用实际行为与基准行为之间的动态时间规整（DTW）将结果映射为优秀、良好或较差等级，从而量化异常飞行行为。另有研究在此基础上纳入预测-观测偏差和不确定性测度，创建复合评分将异常行为分类为轻度、中度和重度等级，确保可解释性和预测能力，构成异常定量评估研究的重要应用成果。
5 未来研究方向
现代信息技术引发了飞行交通行为研究的重大变革并提供了 substantial 发展机遇。ICAO发布的《全球空中航行系统性能手册》明确规定了空中交通管理（ATM）的关键性能指标（KPIs），涵盖安全性、效率、容量、环境影响、成本效益、灵活性、可预测性、公平性、全球互操作性和参与度。现有研究主要强调安全性和效率，尤其是分析不安全低效飞行行为。但理解可预测性、公平性和灵活性等其他性能指标的含义，并阐明其在空中交通系统中的作用，是未来研究面临的紧迫挑战。
近年来，异常飞行行为的识别和检测主要依赖基于轨迹的分析，其数据来源包括飞行运行质量保证（FOQA）、复杂状态认定（UPRT）等监管监控程序、历史安全事件和航空器故障报告。虽然ADs-B数据提供基本轨迹信息，但QAR数据集、标准操作程序（SOPs）和驾驶舱语音记录等补充来源为飞行操作行为提供了更丰富的见解，有望在未来异常飞行行为研究中发挥突出作用。因此，探索异构多源飞行数据对异常飞行行为的影响已成为一项 essential 的研究任务。
现阶段，先进的通信、导航和监视（CNS）及数据传输技术可为飞行员、管制员和空中交通管理（ATM）系统提供大量信息，包括导航数据、天气、驾驶舱语音数据和机载运行状态。飞行轨迹概念已超越三维时空参数，可表示于更高维空间；同时，飞行轨迹异常检测和异常行为识别也应通过多维轨迹模型纳入飞行计划和SOPs。
随着数据驱动技术的发展，飞行轨迹异常检测研究正朝着更智能化、实时化和模型复杂化方向发展。目前，异常检测算法的"黑箱"问题和安全影响仍未充分探索，关键问题是这样模型能否部署于机载系统以进行自主诊断和紧急状态预警。因此，未来研究必须 closely 结合运行场景以严格验证其实际适用性。值得乐观的是，高通量卫星和4G/5G空地数据链发展迅速，这些技术为高动态实时航空安全数据的收集、传输和存储提供了技术支撑，为大数据驱动的飞行交通行为研究开辟了光明前景。
展望未来，研究人员有望结合安全管理需求，研究 diverse 性能指标下的飞行交通行为，分析多源数据下的异常飞行行为特征，推进多维轨迹异常检测和异常行为数据驱动研究。
6 结论与行业启示
本文综述了飞行行为分析与轨迹异常检测技术，得出以下结论：飞行交通行为主要包括直线飞行、转弯、等待航线和阶梯式下降。关于效率和安全性 performance 指标，前期研究主要强调低效运行和异常飞行行为。利用轨迹数据和通过多指标量化的补充行为特征，运行飞行相对于轨迹基准进行分类；轻微偏差表示低效，而持续或加剧并超出安全阈值的偏差则表示异常行为。
基于安全管控要求的飞行异常行为分析是挖掘轨迹异常模式的重要方法。基于安全法规和飞行经验，飞行异常行为包括低高度、复飞、等待航线、突然速度变化、突然高度变化、异常位置更新和航空器主动异常信息。通过ADs-B、QAR等数据源，本文介绍了飞行轨迹的高维定义和异常飞行轨迹的内涵。
飞行轨迹异常检测研究可 broadly 分为两大范式。第一种聚焦于航空安全法规框架内分析异常飞行行为，第二种利用数据驱动的统计方法。对于安全监督，建立异常飞行行为与轨迹异常之间的明确联系是异常检测研究的核心挑战。
飞行轨迹异常检测可用于数据驱动技术，是提升飞行安全的主要贡献者并日益智能化。重点在于当前异常检测技术在多大程度上匹配法规中的异常标准，从速度异常、高度异常和航向变化三个方面展开。为应对海量数据集、异常样本、聚类方法和异常检测算法的挑战，深度学习、贝叶斯神经网络等以内的机器学习方法已逐步取代统计学等传统方法，成为异常检测技术研究的新方向。
目前，飞行轨迹异常检测技术的主要应用涵盖异常预警、实时在线监控和异常飞行行为定量评估。鉴于安全管理要求的 tightening，未来研究重点应包括使用基于性能的指标进行飞行交通行为分类、融合轨迹与异构飞行数据的行为表征构建、多维异常检测模型构建以及大数据驱动行为模型的 advancing。这些努力可为空中交通安全管理提供可操作见解。
