基于自动相关监视广播（ADS-B）的航空器安全意识方法研究 刘星宇、 张洪海、 李一鸣

《Aerospace》：A Method Research on Safety Awareness of Sector Aircraft Based on Automatic Dependent Surveillance–Broadcast (ADS-B) Xingyu Liu, Honghai Zhang and Yiming Li

　　**摘要**
考虑到目前民用空中交通管理（ATM）领域面临的挑战，本研究探讨了一种基于ADS-B监视数据的航班安全态势感知方法。首先，构建了一个区域安全态势评估框架，该框架包含了六维指标，如高峰时段的交通流量和速度标准差。采用信息熵方法来确定客观权重，并使用改进的模糊C均值聚类算法将安全态势分为三个级别：“良好”、“中等”和“需要关注”。在此基础上，比较了多种预测模型，其中随机森林模型的性能最佳，准确率为90%。实验结果表明，在本研究的实验条件下，速度标准差和进近率对安全态势评估的影响最为显著。所提出的方法为空中交通管理当局提供了一种客观且可量化的安全态势感知技术解决方案。

**1. 引言**
近年来，中国的民航业保持了快速增长势头[1,2,3]。根据中国民用航空局（CAAC）的统计数据，2023年国内民航客运量达到6.2亿人次，总运输周转量超过1100亿吨千米，航班起降次数持续增加。然而，与快速增长的航空运输需求相比，中国的空域资源供应仍然相对有限[4]，可用空域仅占总空域的约30%。因此，空域利用中的结构性矛盾日益突出[5,6,7]。飞机数量的快速增长给空中交通安全管理带来了严重挑战[8,9]。高密度和高流量的运行环境显著增加了管制员的工作负荷[10,11]，使得主要依赖于人工经验和判断的传统空中交通控制模式难以及时、全面地掌握复杂多变的空域运行状况。飞机之间间隔的减少[12]以及冲突风险的增加，对管制员的态势感知能力和决策反应速度提出了更高的要求[13]。如何在有限空域资源的条件下实现安全与效率的平衡，已成为民用空中交通管理领域亟需解决的核心问题。为应对这些挑战，空中交通管理正在加速向智能化和自动化转型[13]。国际民用航空组织（ICAO）提出的《全球空中导航计划》明确将基于轨迹的运营[14]和数字信息管理[15,16]作为未来的发展方向。同时，CAAC也在积极推动“智慧民航”的发展[17,18]。现有研究强调利用大数据和人工智能等新兴技术提高空中交通管理的运营效率[18]。在此背景下，构建智能态势感知和预测系统以实现实时监控[19]和对空域运行状态的主动预警，已成为空中交通管理现代化的重要方向。

空中交通管理运营效率通常通过多个维度进行评估，包括交通流量（在给定时间段内处理的飞机数量）、延误性能（航班遵守计划时间的程度）、可预测性（飞行轨迹的一致性）和灵活性（在保证安全的同时满足用户需求的能力）。这些效率指标往往与安全考虑相互关联——例如，为了最大化流量而减少间隔可能会导致碰撞风险的增加。因此，对空中交通管理绩效的综合评估必须以整合的方式同时考虑安全和效率指标。

区域安全态势感知是指对特定空域区域内运行状态的感知、理解和预测。它包括三个层次：对环境中关键要素的感知（如飞机位置、速度、航向）；对其意义和重要性的理解（如识别潜在冲突、评估交通复杂性）；以及对未来状态的预测（如预测交通模式、预测工作负荷峰值）。在空中交通控制的背景下，态势感知使管制员能够做出明智的决策，预判潜在风险，并保持安全和有序的交通流。传统的态势感知高度依赖于管制员的认知能力，而在高流量或复杂情况下，这种能力可能受到限制。这促使人们开发数据驱动的方法来增强和补充人类的态势感知能力。

自动相关监视-广播（ADS-B）技术的广泛应用为态势感知研究提供了坚实的数据基础[20]。与传统雷达监视相比，ADS-B具有更新频率高、精度更好、覆盖范围更广、信息维度更丰富的优势[21,22,23]，能够实时获取包括位置、速度、高度和航向在内的多维飞机状态参数。目前，ADS-B地面站已在中国的主要机场和航线上广泛部署，为基于数据的空域安全态势感知研究创造了有利条件。一个ADS-B地面站通常包括接收天线、信号处理单元和通信接口。接收器捕获1090 MHz扩展Squitter消息（针对配备Mode S的飞机），然后解码这些消息以提取飞行识别信息、位置（纬度、经度、高度）和其他参数。这些解码后的数据被传输到空中交通管理中心进行显示和处理，从而实现实时交通监控。

为了解决区域安全态势感知中的现有问题——如数据利用不足、评估方法的主观性强以及预测能力有限——本研究以南京进近控制区作为研究对象，基于ADS-B监视数据系统地研究了安全态势感知方法。研究涵盖了四个主要方面：数据预处理、指标系统构建[24,25]、态势评估模型设计[26]以及态势预测方法[27,28,29,30]。

**2. ADS-B数据预处理和安全态势指标选择**
2.1. ADS-B数据预处理
国际民用航空组织（ICAO）已将自动相关监视-广播（ADS-B）确定为未来的关键监视技术。飞机通过机载设备自动广播飞行状态信息，如位置、速度、高度和航向，具有更新频率高（1 Hz）、定位精度高和覆盖范围广等优点。本研究以南京进近控制区作为研究对象，使用了2024年10月1日至12月10日期间收集的71天的ADS-B监视数据。
南京进近控制区由华东空中交通管理局管辖，覆盖江苏省中部和北部的约90,000平方公里空域，为11个机场的进近、出发和越飞提供空中交通管制服务。该控制区的水平边界大致位于北纬31°30′至35°00′、东经117°00′至121°00′之间，垂直范围从地面到6000米。原始ADS-B消息采用标准的Mode S扩展Squitter格式，每条消息包含ICAO 24位飞机地址、位置、高度、速度和时间戳等关键字段。

然而，原始ADS-B数据在传输和接收过程中不可避免地包含噪声、缺失值和异常值。直接使用这些数据会对后续分析的准确性产生不利影响。因此，在进行安全态势感知研究之前，需要对原始数据进行系统的预处理。数据预处理过程包括四个主要步骤：
- **缺失值处理**：移除缺少关键字段（位置、速度或高度）的消息。
- **异常值检测和删除**：应用3σ原则识别并消除物理上不合理的数据。
- **时间重采样**：对于没有直接观测的时间点，使用线性插值估计中间值。
- **空间过滤**：以南京进近控制区的三维边界为约束，仅保留位于该区域内的轨迹点。

经过上述预处理步骤后，获得了大约82,000架飞机在71天内的有效轨迹数据。

2.2. 安全态势指标选择
安全态势指标是用于描述区域运行状态的量化工具。一个设计良好的指标系统应全面反映该区域的交通负荷、运营效率和潜在风险。构建科学合理的安态势指标系统应遵循全面性、可测量性、独立性、敏感性（即指标应对区域运行条件的变化敏感，并能及时反映状态变化）以及可解释性等原则。

对收集的数据进行统计分析后发现，南京进近控制区的特点包括复杂的空域结构、交通流量的显著时间变化、由不同类型飞机引起的速度分散，以及高度层的利用不均匀。此外，气象条件作为关键的外部环境因素，对区域运行状态有重大影响。恶劣天气现象（如雷暴、强风、低能见度结冰）不仅直接威胁飞行安全，还通过改变飞机的运行行为间接影响各种安全态势指标。例如，强侧风在进近过程中需要频繁调整航向，导致平均航向变化率增加；低能见度条件可能导致返场或改道，从而降低进近率；而风切变和湍流则会加剧速度波动，增加速度标准差。因此，在构建安态势指标系统时，应充分考虑不同气象条件下飞机运行行为产生的间接影响。

基于上述区域运行特征和气象影响的分析，本研究从三个维度构建了安全态势指标系统：效率指标、安全指标和区域交通指标，并最终选择了六个指标：
- **进近率**（反映交通流结构和天气引起的进近效率扰动）；
- **速度标准差**（反映超车冲突的风险和风场条件引起的速度分散）；
- **平均航向变化率**（反映轨迹复杂性和为避开恶劣天气而采取的机动行为）；
- **高度层分布熵**（反映高度利用的平衡和气象因素（如避冰或湍流层）引起的高度集中度）；
- **高峰时段交通流量**（反映容量压力）；
- **热点时段的空域密度**（反映因改道航班涌入造成的空域拥堵程度和密度异常）。这些指标不仅描述了常规的运行状态，还间接反映了恶劣天气对区域安全态势的影响，展示了很强的综合表示能力。

**3. 安全态势感知指标提取和评估模型构建**
3.1. 安全态势感知指标的计算方法
基于预处理的ADS-B数据，本节详细阐述了六个安全态势指标的具体计算方法。所有指标均以日为基本统计单位进行计算。
- **高峰时段交通流量（F_peak）**定义为一天中交通流量最高的那一小时内通过该区域的飞机数量。每个小时间隔内进入或穿越南京进近控制区的飞机数量用Fi表示（i = 1, 2, …, 24）。24小时交通流量中的最大值即为每日高峰时段交通流量[31]：
$$ F_{peak} = \max\{F_1, F_2, \ldots, F_{24} $$

- **速度标准差（σv）**反映了区域内飞机速度的分散程度，是评估混合类型飞机运营复杂性的关键指标。标准差计算方法如下[32]：
$$ \sigma_v = \sqrt{\sum_{i=1}^{N} |v_i - \bar{v}|^2} $$
其中vi表示南京进近控制区内某一天从个别ADS-B消息中提取的地速值，$\bar{v}$是所有样本的平均速度，N是有效速度样本的总数。

- **高度层分布熵（Halt）**使用香农信息熵来量化飞机在垂直维度上的分布均匀性。南京进近控制区的垂直空域被划分为24个高度层，每个层次间隔1000英尺。计算每个高度层内ADS-B消息的比例$p_j$，并计算香农熵[33]：
$$ H_{alt} = -\sum_{j=1}^{24} p_j \times \log_2 p_j $$
高度层分布熵的理论最大值约为4.58比特。较低的熵值表示飞机在某些高度层更为集中。

- **热点时段的空域密度（ρ_hot）**定义为单位面积内的飞机数量，直接反映了空域的拥堵程度。以一分钟为时间粒度，计算每个时间点同时存在于该区域的飞机数量。在热点时刻的 airspace 密度计算如下 [34]：$$\mathbf{\lambda}_{\text{hot}}_{\text{time}} = \frac{\mathbf{N}_{\text{hot}}_{\text{time}} \times \mathbf{S}}$$ （5）其中 $ \mathbf{N}_{\text{hot}} $ 表示高峰时段某个区域内同时存在的飞机数量，$ \mathbf{S} $ 是南京进近区域的水平投影面积（大约 4200 平方公里）。平均航向变化率（$\omega$）反映了飞机轨迹的复杂性和在该区域内的机动频率。对于单架飞机，如果在时间 $ t_i $ 时的航向角为 $ \theta_i $，而时间 $ t_{i+1} $ 时的航向角为 $ \theta_{i+1} $，则该时间间隔内的航向变化率为 $$\omega_{i} = \left| \mathbf{\vec{r}_{i+1} - \mathbf{\vec{r}_{i} \right|$$。当航向角越过 0°/360° 的边界时，需要特别处理。对于给定的一天，将该区域内所有飞机的航向变化率样本汇总起来，以计算平均航向变化率 [35]：$$\omega = \frac{1}{M} \sum_{i=1}^{M} \omega_{i}$$ 其中 $ M $ 是该天的有效航向变化率样本总数。

进近率（Rapp）定义为单位时间内完成进近程序的飞机数量与进入该区域的飞机总数的比率。其计算公式为：$$Rapp = \frac{\mathbf{N}_{\text{success}}_{\text{time}} \times 100\%$$ （7）其中 $ \mathbf{N}_{\text{success}}_{\text{time}} $ 是当天进入南京进近区域的飞机总数，$ \mathbf{N}_{\text{success}} $ 是成功完成进近的飞机数量。

3.2 基于熵方法的安全评估指标权重计算
在构建安全状况评估模型时，需要确定每个指标对整体情况的贡献，即指标权重。传统的基于专家的权重方法（如层次分析法）严重依赖于主观判断，导致较大的个体差异和较差的可重复性。为了解决这些限制，本研究采用了熵权重方法，该方法根据数据中包含的内在信息客观地确定指标权重，从而有效消除了主观偏差。熵权重方法的核心思想是：指标的变异性越大，它包含的信息就越多，其区分能力就越强，因此应分配更高的权重。相反，如果一个指标在评估对象之间的变化很小，其区分能力较弱，其权重应该降低。熵权重方法可以正式表示为：
$$\omega_{j} = 1 - e^{-\sum_{i=1}^{n} \omega_{ij}}$$ （8）
$$\omega_{j} = -\frac{1}{m} \sum_{i=1}^{n} \left| \log_{2} x_{ij} \right|^{2}$$ （9）
其中 $ x_{ij} $ 是第 $ i $ 个样本中第 $ j $ 个指标的标准化值，$ m $ 是样本数量，$ n $ 是指标数量。使用 2024 年 10 月 1 日至 11 月 30 日这 61 天南京进近区域的训练数据，根据上述程序计算每个指标的信息熵和权重。结果显示在表 1 中。

表 1. 熵权重计算结果。结果显示，速度标准差和进近率的权重最高，分别为 0.374 和 0.352，占总权重的 72.6%。这表明速度分散性和进近任务完成的质量是评估南京进近区域运行状况的最关键因素。这种权重分布具有深远的运行意义：速度标准差和进近率占据主导地位，因为它们对区域运行中的内部和外部干扰因素最为敏感，全面反映了交通流量复杂性、管制员工作负荷和外部环境条件的综合影响。

为了进一步研究外部环境因素（特别是气象条件）对各种指标权重分布的影响，本研究收集了与 ADS-B 数据时间段完全对应的每日天气信息。具体来说，通过南京历史天气网络、江苏省气象局的官方发布和 Weather Spark 机场天气数据平台，获得了 2024 年 10 月 1 日至 12 月 10 日共 71 天的每日天气数据，包括最高/最低温度、天气状况、风向和风速、能见度以及特殊天气事件（如寒潮、降水和浓雾）。这些天气数据在时间维度上与 ADS-B 轨迹数据完全对齐，为后续分析气象因素与安全状况指标之间的相关机制提供了数据基础。

基于上述天气数据和权重计算结果的联合分析，速度标准差的高权重可以归因于南京进近区域的混合机队运行特征，其中速度分散性的显著日变化导致数据变异性大且信息内容丰富。从运行逻辑的角度来看，速度差异是追越冲突和失去间隔的直接原因，是安全风险的核心体现。在实际控制实践中，更大的速度分散性需要更多的速度调整指令和监控工作，显著增加了管制员的工作负荷。此外，气象条件对速度标准差的影响不可忽视——在强风、风切变或湍流条件下，不同类型飞机对风速变化的响应有所不同，重型飞机相对稳定，而轻型飞机则经历更大的波动，导致速度分散性显著增加。这使得该指标在恶劣天气条件下更具区分性。天气数据分析显示，在 11 月 17 日至 19 日的寒潮期间，伴随着 7-8 级大风，速度标准差达到了整个观测期的峰值，证实了风场条件对这一指标的显著影响。

进近率的高权重是因为它直接反映了运行效率，并且是区分有利和不利运行条件的敏感指标。进近阶段代表了管制员工作负荷最高的时期，进近成功率直接影响管制员的压力和区域运行秩序。更重要的是，进近率对恶劣天气具有高度敏感性：当出现低能见度、强侧风、雷暴或跑道结冰等不利条件时，复飞和改航的概率显著增加，导致进近率急剧下降。收集的天气数据显示，在 11 月 24 日至 28 日的连续降水期间以及 12 月 27 日的浓雾事件期间，进近率明显下降，直接反映了气象因素对进近效率的影响。因此，进近率不仅反映了常规运行效率，还是衡量天气因素对区域运行影响的关键指标。安全事件的统计分析表明，进近阶段的事件和事故经常与复飞和改航过程中的控制错误有关，进一步凸显了进近率作为安全状况关键指标的必要性。

相比之下，高峰时段的交通量和热点时期的 airspace 密度权重相对较低，分别为 0.041 和 0.038。这是因为南京进近区域的日交通量相对稳定，变化范围较小，对区分不同情况水平的贡献较小。值得注意的是，尽管这两个指标的权重较低，但在极端天气条件下导致大规模改航时，热点时期的 airspace 密度可能会出现短期异常增加，从而暂时增强其对情况评估的贡献。这表明了指标系统在特殊情况下的适应性。

平均航向变化率和高度层分布熵的权重分别为 0.102 和 0.092，从轨迹复杂性和垂直 airspace 利用的角度补充了对区域运行的描述。在这些指标中，平均航向变化率在避雷暴绕飞或避湍流等天气回避机动期间显著增加，反映了天气对轨迹复杂性的间接影响。当飞行员专注于特定高度层以避免结冰层或急流时，高度层分布熵会降低，说明了气象因素对垂直 airspace 利用模式的塑造作用。

总之，这六个指标从不同维度共同描述了区域的安全状况。速度标准差和进近率在权重分布中占主导地位（总计 72.6%），因为它们对区域运行中的内部和外部干扰因素最为敏感——速度标准差捕捉了混合机队运行和风场条件的交互效应，而进近率反映了天气因素对运行效率的影响。这两个指标共同全面捕捉了“人-机器-环境”交互在区域运行中的核心信息。这种权重分布具有明确的运行逻辑支持，并与空中交通管理的核心目标紧密一致：确保安全和提高效率。信息熵和权重计算结果的可视化显示在图 1 中。

图 1. 信息熵权重计算结果。应该注意的是，从 71 天数据集得出的权重分布可能无法完全捕捉季节性变化或极端运行情景。为了初步评估权重的稳定性，将数据集分为两个子时段：10 月（35 天）和 11 月-12 月（36 天）。结果显示，速度标准差和进近率在这两个子时段中始终排名前两位，其组合权重分别为 68.3% 和 76.0%，与整个样本的 72.6% 非常接近。这表明虽然绝对值可能会波动，但核心指标的相对重要性在不同时间窗口内保持稳定。尽管如此，权重可能会表现出季节性动态；例如，在夏季雷暴季节，航向变化率的影响可能会增加，而在冬季结冰条件下，高度层分布熵可能会变得更加突出。未来的研究应将观察周期扩展到整个年度周期，并建立动态权重更新机制以考虑季节性变化。

3.3 基于 FCM 的安全状况评估模型
基于这六个维度的指标和由熵得出的权重，本节使用模糊 C-均值（FCM）聚类算法构建了一个安全状况评估模型。FCM 是一种软聚类方法，允许样本属于多个具有不同隶属程度的簇，使其比 K-均值等硬聚类方法更适合处理具有模糊边界的安全状况数据。给定一组 $ n $ 个样本 $ x = \{x_1, x_2, \ldots, x_n \} $，需要将其划分为 $ c $ 个簇，FCM 算法迭代优化以下目标函数：
$$\mathbf{J}_m = \sum_{c=1}^{c} \sum_{k=1}^{n} \mu_{ik} \left\| x_k - \mathbf{v}_i \right|^2$$ （10）
其中 $ \mu_{ik} $ 表示样本 $ k $ 到簇 $ i $ 的隶属程度，并满足 $ \sum_{k=1}^{n} \mu_{ik} = 1 $；$ \mathbf{v}_i $ 是簇 $ i $ 的质心；$ m $ 是控制模糊程度的参数，通常设置为 $ m = 2 $。

在本研究中，将基于熵的权重纳入距离计算中使用加权欧几里得距离：
$$d_{ik} = \sqrt{\sum_{j=1}^{6} w_j \times \left( x_k - \mathbf{v}_j \right)^2}$$ （11）
其中 $ j $ 表示六个维度的指标索引（$ j = 1, 2, \ldots, 6 $）；$ w_j $ 表示第 $ j $ 个指标的信息熵权重；$ x_{kj} $ 是第 $ k $ 个样本中第 $ j $ 个指标的值；$ v_j $ 是第 $ i $ 个簇的质心中第 $ j $ 个指标的值。这样，权重较高的指标（如速度标准差和进近率）在聚类过程中发挥更重要的作用，使聚类结果更好地反映关键指标的差异。

为了解决传统 FCM 聚类中可能出现的严重类别不平衡问题，本研究提出了一种基于边界样本重新分配的类别平衡优化策略。核心思想是，位于簇边界附近的样本（即具有相似隶属程度的样本）可以被重新分配到代表性不足的簇中以实现平衡。具体步骤如下：
- 执行标准 FCM 聚类以获取初始聚类结果和隶属矩阵 $ U $。
- 通过计算每个样本的最大隶属度 $ \mu_{\text{max}} $ 和第二大隶属度 $ \text{usecond} $ 来识别边界样本。边界度定义为 $ \text{boundary} = 1 - (\mu_{\text{max}} - \text{usecond} $。边界度大于 0.7 的样本被标记为边界样本。
- 通过计算每个簇中的样本数量 $ n_i $ 并计算类别分布的标准差来衡量类别不平衡。
- 如果不平衡超过预定义阈值，则重新分配边界样本，将它们重新分配到样本较少的簇中。
- 迭代优化，直到类别分布平衡或达到最大重新分配迭代次数。

这种策略的优势在于它只调整边界样本的分配，而不影响具有明确簇隶属关系的核心样本。这提高了类别平衡性，同时保持了基本的聚类结构。在类别平衡优化之后，样本在三个情况级别之间的分布变得更加合理，为后续的预测模型训练提供了坚实的基础。优化前后的情况级别分布比较显示在图2中，聚类结果的可视化展示在图3中，六个维度情况指标的时间变化在图4中说明。图2显示了类别平衡优化前后的情况级别分布对比分析。图3展示了基于主要特征的FCM聚类结果可视化。图4显示了六个维度情况指标的时间变化。图2说明了类别平衡优化前后样本分布的变化。优化后，类别分布的标准差从6.03降低到2.52，有效地缓解了原始聚类中的不平衡问题，即第一级的样本比例过高（44.3%），而第三级的样本比例不足（24.6%）。这为后续的预测建模提供了更具代表性的训练样本集。图3通过主成分分析展示了六个维度指标的二维投影，可视化了三个情况级别在特征空间中的分布关系。第一级样本集中在低速度标准差和高接近率的区域，而第三级样本分布在高速度标准率和低接近率的区域。聚类边界清晰，并显示出层次结构，验证了构建的指标系统对操作情况的强区分能力。图4描述了71天期间六个指标的时间变化。速度标准差和接近率显示出显著的波动性——速度标准差在11月17日至19日的寒潮期间达到峰值，而在11月24日至28日的持续降雨期和12月27日的浓雾事件期间接近率大幅下降。这些变化与天气事件密切相关，证实了关键指标对气象因素的敏感性及其权重分布的合理性。

4. 基于集成学习的状况预测
4.1. 问题定义
状况预测的核心任务是从历史观测序列中推断未来的状况状态。设第t天的状况级别为yt，取值范围为{1, 2, 3}，分别对应“良好”、“中等”和“需要关注”三种级别。设第t天的六个维度状况指标向量为xt = (x1t, x2t, …, x6t)，其中包含六个指标的标准化值：高峰时段交通流量、速度标准差、高度层分布熵、热点时段的空域密度、平均航向变化率和接近率。状况预测问题可以表示为：给定过去L天的历史指标序列{xt-L+1, xt-L+2, …, xt}和相应的状况级别序列{yt-L+1, yt-L+2, …, yt}，预测第t+1天的状况级别。这本质上是一个时间序列分类问题，需要捕捉状况指标的时间依赖性和状况级别的转换模式。

考虑到南京进近扇区运营的周期性特点（例如，工作日与周末之间的交通差异）以及短期依赖性（相邻天数通常具有连续性），本研究采用了7天的滑动时间窗口长度——即使用过去一周的状况数据来预测下一天的状况。这个窗口长度覆盖了一个完整的周周期，同时避免了时间窗口过长导致可用样本数量减少的问题。7天的指标被压缩成一个42维的特征向量（7天×6个指标）作为模型输入。

4.2. 随机森林模型
随机森林（RF）是一种基于决策树的集成学习方法。它通过构建多棵决策树并聚合它们的预测来提高分类性能。其关键思想是将许多弱学习器组合成一个强学习器：尽管单个决策树的预测能力可能有限，但多数投票可以显著提高准确性和鲁棒性。随机森林的构建涉及两个层次的随机性：
- 样本随机性：对原始训练集应用自助采样（有放回采样）来为每棵树生成不同的训练子集。
- 特征随机性：在每个分裂节点，最佳的分裂特征仅从随机选择的特征子集中选取。

这种双重随机性促进了树之间的独立性，并减少了模型方差。对于分类任务，随机森林使用投票机制：每棵树对输入数据进行分类，最终的预测类别是获得最多票数的那个：? = argmax∑I(hb(x) = c，其中hb(x)是第b棵树的预测，I是指示函数，c是类别标签。

在本研究中，随机森林的关键参数设置如下：树木数量n_estimators = 100；每次分裂考虑的特征数量max_features = sqrt(n_features)；最大树深度max_depth没有限制。随机森林的一个主要优点是它可以输出特征重要性估计值。通过分析每个特征在所有树中的节点分裂贡献（基尼重要性），可以识别出对状况预测最关键的指标。

4.3. 梯度提升树模型
梯度提升机（GBM）是另一种基于树的集成方法。与并行独立构建树的随机森林不同，梯度提升采用串行迭代策略：每棵新树都训练来学习前一个模型的预测残差，逐渐修正整体预测。

设第m次迭代后的模型为Fm(x)。第(m + 1)棵树的训练目标是沿着负梯度方向拟合残差：rt?m = ??L(yt,Fm(x)). 对于分类任务，使用对数损失函数，负梯度对应于真实概率和预测概率之间的差异。新树hm+1(x)拟合残差后，模型更新为：Fm+1(x) = Fm(x) + β · ηm+1(x)，其中β是学习率（用于控制每棵树的贡献）。较小的学习率通常可以提高泛化能力，但需要更多的树。主要参数设置如下：n_estimators = 100，learning_rate = 0.1，每棵树的最大深度max_depth = 3（浅层树作为弱学习器），以及子采样比例（subsample = 0.8）以增加随机性并防止过拟合。

4.4. 支持向量机模型
支持向量机（SVM）是一种基于统计学习理论的分类方法。其核心思想是在特征空间中寻找一个最优的超平面，以最大间隔分离不同的类别。对于线性不可分的问题，SVM使用核函数将原始特征映射到高维空间。本研究采用径向基函数（RBF）核：K(x?, xj) = exp(?γ·‖x??xj‖2)，其中γ控制单个样本的影响范围。较大的γ会产生一个可能过拟合的复杂模型，而较小的γ会产生一个可能欠拟合的平滑模型。对于多类分类，本研究采用一对一对策略：对于三个状况级别，分别构建三个二进制SVM分类器，最终预测类别通过投票确定。关键参数设置如下：惩罚系数C = 1.0以控制误分类的惩罚，核函数参数γ使用尺度模式，即1n_f↘_ω_i·Var(Ω)，以适应数据特性。SVM在样本量较少时提供了坚实的理论基础和稳定的性能。

4.5. 模型评估指标
为了全面评估每个预测模型的性能，使用以下指标：
- 准确率：正确预测样本的比例，是最直观的整体性能指标：Accuracy = TP / (TP + TN)，其中TP是真正例的数量，TN是真负例的数量，N是总样本数。对于多类分类，准确率等于正确预测样本的数量除以N。
- 召回率：衡量模型识别给定类别的能力，即在该类别中正确识别的比例：Recall = TPc / (TPc + FNc)，其中TPc是正确预测为类别c的样本数量，FNc是真正属于类别c但被预测为其他类别的样本数量。召回率对于安全状况预测尤为重要——高召回率有助于识别尽可能多的“需要关注”的状况，减少漏报。
- 精确率：衡量对给定类别预测的可靠性，即预测为类别c的样本中真正属于类别c的比例：Precision = TPc / (TPc + FPc)，其中FPc是不属于类别c但被预测为类别c的样本数量。高精确率表明警告信号是可信的，减少了误报。
- F1分数：精确率和召回率的调和平均值，平衡了两者：F1-score = 2 · (Precision × Recall)。F1分数的范围是从0到1；接近1的值表示更好的性能。当精确率和召回率相差较大时，F1分数倾向于较小的那个，从而更全面地反映整体性能。
- 混淆矩阵：以矩阵形式呈现预测结果，其中行代表真实类别，列代表预测类别。对角线元素是正确的预测，非对角线元素是误分类。混淆矩阵提供了跨类别的模型性能的直观视图。

5. 结果
5.1. 实验设置
本实验使用了2024年10月1日至12月10日期间南京进近扇区的ADS-B监控数据，共71天。为了确保评估的客观性和可靠性，采用了固定的时间序列分割策略以避免数据泄露：训练集包含2024年10月1日至11月30日的61天数据，用于模型训练和验证；测试集包含12月1日至12月10日的10天数据，用于性能评估。由于预测模型使用了7天的滑动窗口，实际可用于训练的预测样本数量为54个（61 - 7 = 54），用于测试的样本数量为10个。分割严格遵循时间顺序，确保训练数据在时间上完全早于测试数据，从而模拟真实世界的预测场景。

5.2. FCM聚类结果分析
改进的FCM聚类算法应用于61天的训练数据集。算法参数设置如下：簇的数量（c = 3）、模糊系数（m = 2）、收敛阈值（epsilon = 10^-5）和最大迭代次数为100。目标函数在前五次迭代中迅速下降，从2.847降至0.956；随后从第5次迭代到第12次迭代的下降速度变慢。第12次迭代后，目标函数稳定在0.823左右，变化幅度低于收敛阈值，表明收敛。计算时间约为0.3秒，显示出改进的FCM算法良好的收敛行为和计算效率。图5显示了目标函数曲线与迭代次数的关系。聚类后，三个簇中心的特征可以描述如下：簇中心1（良好）对应于中等工作量、低速度分散、平衡的垂直空域利用和高接近效率；簇中心2（中等）显示中级别的指标，代表常规操作；簇中心3（需要关注）对应于高工作量、高速度分散、集中的高度使用和低接近效率，反映了紧张的操作条件。

在类别平衡优化之后，三个级别之间的样本分布变得更加合理：第一级的比例从44.3%（27天）降至37.7%（23天），第二级的比例从31.1%（19天）升至32.8%（20天），第三级的比例从24.6%（15天）升至29.5%（18天）。类别分布的标准差从6.03降至2.52，减少了58.2%。表2展示了簇中心的特征值，所有值都标准化到[0, 1]范围内；较大的值表示需要更多关注的运营条件。

5.3. 预测模型性能比较
为了对比我们提出的方法的预测性能，我们比较了四种来自不同范式的代表性模型：随机森林（集成学习）、梯度提升（基于提升的集成）、SVM（基于核的方法）和LSTM（深度学习）。这些模型被广泛用于空中交通管理和相关领域，用于分类和预测任务[27,28,29,30]，为评估我们情境预测框架的有效性提供了全面的基准。表3展示了四种模型在测试集（2024年12月1日至10日）中每天的详细预测结果，以及通过FCM聚类得出的实际情境水平。比较结果显示了不同模型之间的显著性能差异。随机森林正确预测了10天中的9天（准确率为90%），唯一的一次错误分类发生在12月3日，当时它预测为第二级而不是实际的第三级。梯度提升和SVM各自实现了8次正确预测（准确率为80%），而LSTM仅正确预测了5天（准确率为50%）。表4比较了四种模型在测试集上的预测性能。准确率定义为正确预测样本数与总样本数的比率；每个级别的召回率是指正确识别该级别样本的比例。表3. 四种模型在测试集上的每日预测结果。表4. 不同模型之间的预测性能比较。在按级别划分的召回率方面，所有模型对第一级（良好）的识别能力都很强：随机森林、梯度提升和SVM的召回率均为100%。对于第二级（中等），随机森林、SVM和LSTM的召回率均为100%，而梯度提升的召回率为50%。对于第三级（需要关注），识别能力普遍较弱：随机森林、梯度提升和LSTM的召回率均为50%，而SVM的召回率为0%（测试集中的两个第三级样本都被错误分类）。总体而言，随机森林在准确率和召回率之间取得了最佳平衡，因此被推荐为本案例中的情境预测模型。在不同模型中，有一种共同的倾向是将第三级错误分类为第二级，这可能是由于特征空间中这两个级别之间的界限模糊所致。实验结果表明，在样本量受限的情况下，传统的机器学习方法（如随机森林、梯度提升和SVM）的预测性能优于LSTM。主要原因在于样本量有限：只有54个有效的训练样本可供使用，这对于深度学习模型来说远远不够。LSTM网络包含大约25,000个可训练参数，因此在小样本条件下容易过拟合。相比之下，随机森林得益于自助采样和随机特征选择，在小样本场景中表现出更强的鲁棒性。此外，特征表示也影响性能：虽然将7天窗口扁平化为42维向量会丢失explicit的时间结构，但对于传统机器学习模型来说，特征维数与样本量之间的比率仍然可以接受。图6显示了四种模型的混淆矩阵，图7展示了ROC曲线的比较。作为参考，图7中的对角线表示随机分类器的性能（AUC = 0.5），作为基线。任何位于此对角线以上的曲线都表明其预测性能优于随机猜测。图6. 四种模型混淆矩阵的比较分析。图7. 四种模型ROC曲线的比较分析。

5.4. 特征重要性分析
随机森林模型的一个主要优势是它可以输出特征重要性估计。本研究使用Gini重要性来分析42维输入向量中每个特征对预测结果的贡献。按原始指标聚合后，特征重要性排名如下：进近率0.287 > 速度标准差0.241 > 高度层分布熵0.156 > 平均航向变化率0.138 > 高峰时段交通量0.098 > 热点时段空域密度0.080。这个排名与熵权重分析高度一致，验证了熵方法能够客观反映每个指标对情境区分的贡献。按时间步骤聚合后，特征重要性结果显示，最近一天t.1的指标占总重要性的28.3%，其次是t-2的19.5%和t-3的15.2%。较早的历史数据的重要性逐渐降低。这与情境演变的时间衰减模式相匹配：近期情境对未来预测的影响更大。这一发现也可以为未来研究中优化滑动窗口长度提供指导。

6. 结论
本研究以南京进近控制区作为研究对象，基于ADS-B监控数据系统地调查了飞机安全情境感知方法。主要结论总结如下：
建立了一套完整的ADS-B数据预处理工作流程。从大约100 GB的原始数据中提取了覆盖71天内约82,000次飞行的高质量轨迹数据。
构建了一个六维安全情境指标系统，包括进近率、速度标准差、平均航向变化率、高度层分布熵、高峰时段交通量和热点时段空域密度。这些指标与南京进近控制区的实际运行特征紧密相关。
采用熵方法客观计算指标权重，其中速度标准差和进近率合计占总权重的72.6%，被认为是影响情境评估的最关键因素。这六个指标也与天气因素有很强的相关性。
提出了一种改进的FCM聚类算法，并进行了类别平衡优化。通过重新分配边界样本，类分布的标准差降低了58.2%，并将部门安全情境分为三个级别：‘良好’、‘中等’和‘需要关注’。
对多种预测模型的比较分析显示，随机森林模型的表现显著优于其他模型，在第一级和第二级的准确率分别达到90%和100%，从而证明了在样本量有限条件下手册学习方法的优越性。特征重要性分析进一步证实了进近率和速度标准率在情境预测中的关键作用。
未来的研究可以在几个方向上进行。首先，应通过整合多源信息来扩展数据来源。需要注意的是，当前研究由于缺乏实时高分辨率气象观测数据而受到限制，而是依赖于每日天气数据。在当前研究整合的每日气象数据基础上，未来的工作应该将实时分钟级或秒级气象观测数据（如自动气象观测系统（AWOS）、多普勒天气雷达和风切变检测系统）与ADS-B轨迹数据结合起来。这种高分辨率数据融合将能够捕捉快速变化的天气现象及其对飞机运行的即时影响，从而增强模型进行分钟级情境预测的能力，并支持战术冲突的检测和解决。其次，应开发多尺度情境感知方法，重点关注短期预测。虽然当前的日尺度分析用于战术前规划，但未来的研究应建立一个涵盖秒级、分钟级、小时级和周级的多尺度框架，特别关注分钟级或短期预测。第三，应将观测周期延长到完整的年度周期，以捕捉季节变化和极端事件。未来的工作应获取覆盖全部12个月的ADS-B和气象数据，建立适应季节特征的动态权重更新机制，并采用极端事件过采样策略来提高模型对罕见但高风险情景（如严重雷暴、浓雾和大雪）的敏感性。还可以探索迁移学习技术，将有限时间段的发现推广到全年运营环境中。最后，应努力通过将研究成果与空中交通控制系统集成来推动情境感知系统的工程实施，促进从理论研究到实际应用的转变。