《Aerospace》：QAR Data-Driven Flight Anomaly Detection and Risk Warning: A Review of Statistical Learning and Machine Learning Methods in Aviation Safety
编辑推荐：
快速存取记录器（QAR）数据提供高维机载飞行记录，越来越多地用于数据驱动的航空安全分析。随着飞行操作变得更加复杂，传统的人工监控和基于阈值的超限检测往往不足以及时且可解释地识别演化中的风险。研究人员从统计学习和航空数据科学的角度回顾了QAR数据驱动的飞行异常检
快速存取记录器（QAR）数据提供高维机载飞行记录，越来越多地用于数据驱动的航空安全分析。随着飞行操作变得更加复杂，传统的人工监控和基于阈值的超限检测往往不足以及时且可解释地识别演化中的风险。研究人员从统计学习和航空数据科学的角度回顾了QAR数据驱动的飞行异常检测与风险预警方法。首先，总结了QAR数据的主要特征，包括多源异质性、时间依赖性、缺失值、噪声和严重的类别不平衡。然后回顾了常见的预处理技术，如缺失值插补、轨迹校正、特征工程、降采样和不平衡数据处理。其次，将现有方法分为四类：统计监控和基于规则的方法、聚类和无监督异常检测、贝叶斯和概率风险推理、以及混合机器学习与可解释人工智能。代表性方法包括统计过程控制（SPC）、关联规则、高斯混合模型（GMM）、CurveCluster、Fast-DTW、贝叶斯网络（BN）、动态贝叶斯网络（DBN）、VAE-LSTM、MAD-XFP和带有SHAP解释的XGBoost。该综述进一步讨论了在着陆风险预警、起飞风险评估、飞行操作模式识别和航空噪声预测中的典型应用。最后，总结了关键挑战，包括模型可解释性、实时部署、跨机型与跨机场泛化、数据质量、因果推理和隐私保护协作。本综述为使用QAR数据支持航空安全评估、风险预警和运行决策提供了结构化参考。
3.1 QAR数据的统计特征
QAR数据具有多源异质性（multi-source heterogeneity），参数来自飞行控制、发动机监控等子系统，物理意义和采样频率差异显著；强时间依赖性（temporal dependence），数据在飞行阶段间呈现非平稳演化；存在缺失值和噪声，由传感器故障或传输干扰引起；类别严重不平衡（class imbalance），正常数据占绝对主导，异常事件稀疏；此外还有高维稀疏异常，异常模式复杂且难以预标注。这些特征要求专门的预处理以提升数据可用性。
3.2.1 缺失值插补
常用方法包括K近邻（KNN）插补、均值/中位数插补、多重插补以及基于时间序列的期望最大化（EM）算法。MAD-XFP框架采用最近邻方法补充缺失值，有效保持时间连续性。对于长周期缺失段，可结合飞行相位信息进行分阶段插补。
3.2.2 降采样与平滑
原始QAR数据采样率高达8 Hz，直接处理计算成本高。常用均匀降采样、滑动窗口平均和指数加权移动平均（EWMA）。VAE-LSTM模型采用1 Hz降采样，保留关键时间信息的同时降低计算复杂度。平滑可有效抑制噪声，提升后续聚类和建模的稳定性。
3.2.3 轨迹校正
轨迹噪声直接影响着陆风险评估。研究人员提出投影结合地速校正方法：先将轨迹投影至跑道中心线，再利用接地后地速信息校准相邻轨迹点，有效消除横向偏移和距离波动。在真实A320 QAR数据集上显著提升了相对跑道的定位精度，为动态风险曲线构建奠定基础。
3.2.4 特征工程
特征工程是提升模型性能的关键。常用操作包括参数推导（如计算侧风/顶风分量）、统计特征提取（均值、方差、峰度、趋势斜率）、时间窗口特征以及领域知识驱动复合指标（如50 ft动能、剩余跑道长度）。MAD-XFP框架通过系统性特征工程显著提升XGBoost在多种异常检测中的性能。对于功能数据特性，可采用功能主成分分析（FPCA）进行降维。
3.2.5 不平衡数据处理
针对异常样本稀疏问题，常用过采样技术如SMOTE及其变体。MAD-XFP采用Borderline SMOTE，仅合成边界少数类样本，有效缓解类别不平衡并避免过度泛化。其他方法包括欠采样、集成学习中的类别权重调整以及使用生成对抗网络（GAN）生成合成异常样本。
4.1 统计监控与基于规则的方法
传统统计方法以概率论和统计推断为核心，提供强可解释性、不确定性量化及监管合规性。早期广泛采用统计过程控制（SPC）技术，如Shewhart控制图、累积和（CUSUM）控制图、指数加权移动平均（EWMA）控制图，监控关键飞行参数超限事件。变点检测方法如SPA-Markov结合集对分析和马尔可夫链实现飞行安全态势动态预测。贝叶斯网络（BN）通过有向无环图（DAG）表示变量条件依赖，结合先验知识和数据似然进行后验概率更新，用于跑道偏出风险评估和空中停车事件安全分析。关联规则挖掘发现多参数强关联模式，如“过大的接地距离结合高接地速度导致自动刹车减速率不足”，以支持度、置信度和提升度量化规则强度。这些方法可解释性高，但难以捕捉复杂非线性时间特征和多参数交互。
4.2 聚类与无监督异常检测
该类方法无需大量标注样本，通过自动挖掘低概率簇或离群点实现异常检测。高斯混合模型（GMM）通过期望最大化（EM）算法估计参数，计算后验概率识别偏离正常模式的异常点（如ClusterAD框架）。曲线聚类方法如CurveCluster+将着陆阶段多参数曲线视为功能数据，先应用功能主成分分析（FPCA）降维，再利用功能深度和层次聚类识别不同硬着陆模式，量化整条曲线形态差异。基于动态时间规整（DTW）的轨迹聚类如Fast-DTW结合层次聚类，处理变长和局部变形轨迹，用于轨迹建模和噪声预测。基于重建的深度学习方法如VAE-LSTM结合多头自注意力机制，利用变分自编码器（VAE）学习正常数据低维概率表示，通过LSTM捕捉长期依赖，以重建误差作为异常分数。这些方法无需标签，但可解释性较弱，需后续统计量化或可解释工具补充。
4.3 贝叶斯方法与概率推理
贝叶斯方法以概率理论和贝叶斯定理为核心，结合先验知识和数据似然进行后验推理，在不确定性量化、因果推理和风险量化方面具有天然优势。静态贝叶斯网络（BN）通过条件概率表量化多因素交互效应，如跑道偏出风险评估模型整合跑道长度、风速风向、机组操作、飞机性能和机场环境等因素，输出风险概率及关键风险路径。动态贝叶斯网络（DBN）通过引入时间依赖弧，实现风险概率随飞行阶段和操作变化的动态更新，如空中停车事件安全风险动态评估。SPA-Markov方法将QAR参数转换为同异反（IDC）度量，通过马尔可夫转移概率矩阵实现态势演化预测。这些方法提供后验分布、置信区间和“What-if”场景模拟，但网络结构学习计算成本高，依赖专家经验。
4.4 混合与新兴统计学习方法
混合方法结合传统统计的可解释性与机器学习强大的特征提取能力，形成“统计建模+深度学习+可解释人工智能”的综合框架。VAE-LSTM多头自注意力模型：先通过VAE学习正常数据概率分布，再由LSTM捕捉时间依赖，最后通过多头注意力增强对关键时间步和参数的关注，联合重建误差和注意力权重判断异常。MAD-XFP框架：以XGBoost为核心，系统集成特征工程、Borderline SMOTE处理不平衡数据、Optuna自动超参数优化，实现进近阶段多类型异常联合检测，并通过SHAP值计算每个特征对异常的贡献，自动生成初步因果分析报告。CurveCluster+扩展：在曲线聚类基础上结合贝叶斯后验概率量化各簇风险水平，同时保留曲线形态可解释性。这些方法在真实QAR数据集上取得高精度，显著优于单一阈值方法，但计算资源需求高，模型复杂度增加可能影响泛化能力。
5.1 着陆阶段风险预警
着陆阶段仅占飞行时间约1%，但事故率高达24%，是QAR应用最成熟的高风险场景。动态跑道超限风险评估模型：通过投影结合地速校正方法修正轨迹，自动识别自动刹车等级，构建以剩余跑道长度为横轴、接地速度为纵轴的动态风险曲线，曲线下面积定义为高风险区，样本点到曲线距离量化为风险指标。自动减速率、接地距离和50 ft动能是关键统计因素。硬着陆模式识别与风险量化：CurveCluster+算法将垂直加速度、俯仰角等参数视为功能数据，通过功能主成分分析和曲线聚类识别不同风险水平的着陆模式，并提供可解释的簇中心曲线。高原机场风险评估：通过统计建模量化进近速度、下降率、风切变等因素的影响，构建适用于高原环境的综合风险指标体系。关联规则挖掘用于发现着陆超限事件的多参数隐藏模式，为风险预警规则库提供数据驱动基础。
5.2 全飞行阶段异常模式识别
起飞阶段风险虽低于着陆，但跑道超限等事件仍可造成严重后果。基于真实飞行数据挖掘飞行员行为特征（如推力设定、速度管理和决策时机），构建基于人的因素的风险评估模型，通过统计建模量化不同行为对跑道超限风险的贡献，为飞行员培训和程序优化提供科学依据。该模型与着陆阶段动态风险模型形成互补，共同展示QAR数据在全飞行阶段风险量化中的一致性框架。
5.3 其他典型应用场景
进近阶段多类型异常检测与因果分析：MAD-XFP框架针对高下降率、大滚转角、高/低进近速度等异常事件，实现联合检测和自动因果分析，输出区分人为因素与环境因素的初步因果报告。飞行操作模式识别：基于DTW距离对多元QAR时间序列数据进行聚类，识别不同风险水平的操作模式，并通过统计分析揭示其与安全事件的关联。航空噪声预测：通过Fast-DTW轨迹聚类生成概率性代表轨迹，并利用机器学习补全缺失操作参数，输入噪声预测引擎实现高保真噪声分布预测。此外，QAR数据还应用于刹车热包损伤监测、仪表着陆系统信号质量分析、惯导系统间歇故障诊断、航空公司飞行安全韧性评估以及导航台定位误差分析等专门任务。
5.4 方法协同机制与综合评价
实际
