中国民用航空厦门空中交通管理站 苏文国、俞彦健、江居旺

1、概述

民航运输业是国民经济发展的晴雨表。2021年，随着我国以“加快构建以国内大循环为主体、国内国际双循环相互促进的新发展格局”为经济发展战略的确立，中国民航产业在后疫情时代必将迎来蓬勃发展，带来前所未有的挑战。然而，作为民航空中交通服务供给侧的空管系统，长期以来在新技术应用方面存在短板，导致了空中交通服务能力与服务需求之间的差距不断增大，运行效率和飞行安全也承受日益严峻的挑战。同时，在航班量快速增长的过程中，空域利用效率低、机场终端区排序忙乱无章、管制负荷日益严重等等问题一个又一个愈发暴露凸显，已经成为限制民航发展的关键因素。

近年来，为了切实解决这类突出难题，航班进离场管理系统（AMAN、DMAN）纷纷在全国主要终端管制单位投入应用。然而，目前的航班进、离场管理系统（AMAN、DMAN）均以当前航空器位置点、扇区运行为判断基础，缺乏对航班未来航迹的准确预测，在外界因素（如其他空域用户活动或复杂天气）的扰动下，很容易出现预判错误的情况，从而导致运行效率和安全水平的大幅度降低；同时，现有进离场管理系统的航班排序少有引入人工智能技术，决策的智能化程度不高，运行机制也较为僵化。为解决上述问题，厦门空管站在其“基于TBO的进离场智能决策支持系统”研发中，将“Trajectory Based Operation(TBO)——基于航迹的运行”和人工智能（AI）技术引入并应用于进离场决策，有效提高了航班进离场管理系统的智能化水平，促进机场、公司、空管多方信息共享和协同决策，减轻管制员的工作负荷，提升终端区运行效率和安全水平，在短时间内达到低投入、高效益的目的。

2、TBO定义、发展现状及人工智能（AI）简介

2.1 TBO

（一）定义

TBO(Trajectory Based Operation)即基于航迹的运行（源自IACO Doc.9854号文件的1.9.2）。国际民航组织将TBO定义为：空中交通管理（ATM）考虑所有人或无人驾驶飞行器在所有飞行阶段的航迹，并且对所有航迹进行管理，以避免危险的冲突的发生，同时在尽可能地与用户原定的飞行航迹的偏差最小化的情况下，实现整个系统的最优化运行。

TBO的本质是基于4D航迹（纬度、经度、高度、时间）和速度的运行，以航迹信息作为媒介，在空管、航空公司、机场、航空器等相关方之间实时共享和动态维护航迹动态信息，进而实现多方精细化协同，以达到安全高效的目的。

（二） TBO与传统运行模式的突出特点

　　1.精细化：由于引入四维航迹，一方面，空域资源的使用和管理从传统的航路、高度层或时刻等单一维度转变为四维时空资源的综合维度，未来空管系统对空域资源的使用和管理会更为精细化；另一方面，TBO强调航空器飞行过程的定时可控到达，到达时间窗口可达到±10秒的级别，相比传统的运行，空中交通管理的时间分辨率将大大提高。

　　2.协同化：协同决策是TBO运行概念的核心理念，其协同主要体现在以下几个方面：（1）运行协同，即参与航班航迹管理与维护的各相关方通过协同的信息环境进行协同决策；（2）信息协同，即营造综合流量、气象、情报等各类信息的协同信息环境；（3）系统协同，即地面系统、地空系统的协同，特别是利用数据链技术实现地面空管系统与机载空管航空电子系统的协同。

3.可预知：由于信息的高度协同与共享，地面空管系统可以获取航空器机载飞行管理计算机FMS计算的准确的未来飞行4D航迹，进而可以预知指定空域内未来的运行态势，大大提高了空管系统情景态势感知的能力，便于提前开展流量管理工作，缓解潜在的交通拥堵压力和避免飞行冲突。

（三）国内外TBO的发展现状

在国际民航组织最新发布的《全球航行计划》（GANP）中，TBO是航行系统组块升级（ASBU）各引线集成的总目标，计划在2031年前分3阶段逐步实现。欧美航空发达国家已经在新一代空管系统的发展规划中将TBO作为核心理念，全球各大研究机构、设备厂商也高度重视TBO技术标准制定和装备升级。同时，中国民航局空管局下发的中国民航空中交通管理现代化战略和四强空管行动方案，要求积极推进基于航迹运行（TBO）相关技术研究和实验应用工作，以加快建设现代化空管系统。

2.2 人工智能(AI)与机器学习

（一）人工智能(AI)与机器学习技术

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术学科。而机器学习则是实现人工智能的其中一种方法，是人工智能的一个子集，它通过算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的解决特定任务、硬编码的软件程序不同，机器学习是用大量甚至海量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

（二）基于人工智能技术的运行模式与传统模式的对比分析

人工智能机器学习通俗地讲就是让机器自己去学习，然后通过学习到的知识来指导进一步地判断。

传统模式是"先学后习"，通过输入固定的参数和算法得出结果，其本质是一种演绎法，根据已有的理论公式编程进行逻辑推演和控制。

人工智能模式则是“先习后学"的新模式。我们用海量数据来让计算机进行运算，计算机通过计算不断归纳分类、学习迭代，再用学习到的方法进行预测。

以“管制员雷达引导排序的调配方法”为例。传统模式会输入“几种管制员常用的引导路径”作为固定参数来计算结果。而人工智能模式则先分析大量管制员在某一特定位置使用的雷达引导方法，然后通过“训练数据”用归纳法得出结论，为下一次管制员在这一特定位置需要延误特定时间时给出“建议的飞行路径和飞行距离”，提供航迹预测和调配建议。

由此可见，如果把一个编程的任务看成是输入→某个函数→输出的过程，那传统模式就是我们知道这个函数，并手动写这个函数，而人工智能就是从数据中通过统计方法自动找到了这个函数。

3、TBO、AI技术应用于进离场决策支持系统的设计与实现

根据管制员实际工作中的需求和痛点，在取得多方数据的基础上，建立数学模型，开发升级航空器进离场排序系统，提供智能决策支持。数据是本系统的基础。系统引接和处理的空管运行数据，目前包括：

1）  航空器4D航迹数据（实时及历史）；

2）  航空气象数据（实时及历史）；

3）  可用空域数据（实时及历史）；

4）  动态电报数据；

5）  飞行计划集中处理数据；

6）  塔台电子进程单数据（实时及历史）；

7）  GPS时钟数据；

8）  机场停机位数据（实时及历史）；

9）  场监雷达数据（实时及历史）；

10）机场、航空公司运行数据；

11）航空器性能数据。

对于进场航空器，排序系统根据航空器实时的位置、高度、速度等航行诸元数据，机场、航空公司运行数据（含航班时隙协调数据），以及空域限制数据、航空气象数据、流量管理数据等，预测航空器未来航迹，并推算预计到达机场时间，生成相应合理的管制预案，管制员可以根据需要对排序进行人工干预。系统在计算管制预案时将相互关联的每个管制扇区联系在一起，统筹管理，使得整个管制体系的工作效率得以显著提高。对于离场的航空器，根据航空器停放位置、预计离场方式、使用跑道等数据，以及机场和航空公司运行数据（含航班时隙协调数据）、空域限制数据、航空气象数据、流量管理数据等，计算航空器从开车、推出、滑行至起飞所需的最早起飞时间，再把该时间与塔台电子进程单读取的放行时间进行比对，得出合理的开车和推出时间，并通过人机界面显示在系统窗口，最终给出管制放行预案建议和提示。

（图1为人机界面范例之一）

图1

本系统基于航空器4D航迹和人工智能机器学习，对航班进、离场排序模型进行系统研发,主要实现了以下三个方面升级：

3.1复杂运行环境下的航空器4D航迹追踪与预测

航班运行中，航迹既受到航班关联的不同空管服务单位、空域用户和机场运营人的运行影响，又受到空管不同功能模块如容流平衡、冲突管理、气象条件等的影响。本系统基于上述复杂运行环境，进行航空器4D航迹预测研究。用户可根据其他空域占用情况、雷雨位置，自由在人机操作界面规划进场航迹，系统可根据新路线实时计算重新排序。

人为干预（如管制员调整速度、雷达引导）航空器后，航空器的速度或航迹势必发生变化，系统通过对航空器速度和4D航迹追踪，用机器语言编码构成一个完整的学习系统，通过不断比对模仿人类认知过程，实现类似人类决策的能力，进一步对航空器的航迹进行预测分析，在进离场决策系统中提供进离场排序建议。

1、4D航迹追踪

（1）确认预定飞行航迹

根据领航计划报（FPL）,确认航班的飞行航路；结合机场使用的跑道方向，确认航空器的进场航迹及进近航迹。预定飞行航迹由飞行航路、进场航迹和进近航迹三部分组成。

（2）航迹追踪方法

2、飞行时间的计算

3.2通过机器学习实现AMAN/DMAN的有效结合，提高单跑道机场运行效率

不同机型在机场五边的地速变化不尽相同，系统通过机器学习各类机型的速度变化，通过海量数据结合气象信息计算出航空器飞越跑道入口的距离和时间，为单跑道机场塔台管制员决策是否在两个落地航空器之间放行离场航空器提供精确依据；同时，当有大量进场航班时，系统会自动优先考虑落地排序，从而反推出航空器的开车和滑出时间，以节省不必要的开车后油耗。

1、航空器在五边各飞行高度上的平均地速

图2

2、五边各飞行高度上的平均地速与常用机型（B738）的速度差（KM/H）（图3选取了部分数据)。该算法通过应用机器学习的k-平均算法(K-Means)为解决这种聚类问题提供方案。K-Means 算法把 n 个点划分到 k 个集群（cluster），使得每个点都属于离他最近的均值（即聚类中心，centroid）对应的集群，重复上述过程一直持续到重心不改变。

图3

3、放行策略（落一起一ADA，落二起一AAD，落一起二ADD，AAA无放行）

4、系统根据不同的放行策略,结合进场航空的ETA时刻及离场航空器的CTOT时刻，自动计算离场航空器预计起飞时刻、进场航空器的落地时刻及预计延误时间，并将离场航空器信息反馈给相关单位，从而避免离场航空器开车后长时间等待的问题。

3.3基于航空器4D航迹和AI技术的协同运行

本系统目前已经在厦门地区部分民航单位试运行。从实际运行效果上看，系统可为空管、航空公司、机场等空中交通参与方提供高效的运行辅助决策支持，提高了空中交通参与方的协同能力。系统结构图4所示。

图4

运行过程中，空管、航空公司和机场相关部门都以航空器运行航迹为中心，通过航迹规划、航迹共享、航迹协商和航迹执行等来实现航班运行全生命周期的协同管控。在航空器运行中，航迹数据的发布、协商过程均通过决策支持系统来实现，确保各空中交通参与方均可准确把握航迹信息和飞行状态。

运行过程中，系统根据航空器进离场和航路飞行航迹、航空器性能及终端区和机场环境内的已知限制信息，精确预测航班进离场航迹，并基于预测航迹确定航空器进离场顺序，以及为航空器给定预计到达/起飞时刻。航空器与地面参与方之间根据航空器进离场的间隔及时刻安排，协同调整相应的飞行航迹，使得航空器沿最佳航迹做持续上升/下降并执行“量身定制”的进离场方式。若发生不可预测事件（如不利天气、航空器发生特殊情况、冲突管理和解脱需求等等）可能会影响航空器飞行航迹，无法满足预计时刻，参与方可通过系统进行在线会商，协同制定调整策略；当调整策略被确定后，参与方将通过航迹、速度调整或放行控制等措施，实现预期管控目标。机场运行协调管理委员在日常运行中，可以本系统为平台，在空管、航空公司和机场之间搭建共建共享、科学调配的全面协同发展模式，稳步提升运行效率，推动协同、联动机制不但发展完善。

4、总结

随着民航运输量的持续增长，空管系统作为保障空中飞行安全、维护空中交通秩序的核心机构，在艰巨挑战面前，迫切需要通过新技术应用，提升空管系统保障能力和运行效率。本决策支持系统正是在这样的发展背景下，基于TBO和AI技术，通过数据建模，实现了AMAN/DMAN的升级，并将系统应用于管制员的实际工作中，为进离场航班提供智能决策。

在开发的过程中，我们也深感民航科技还有广阔的发展前景。由于受制于第一代地空数据链通信ACARS系统与生俱来的限制，如速度慢、实时性差，容量小、网络独立，速率被限制等缺陷，地面空管自动化系统与飞机飞行管理系统之间的信息交互还无法深入全面应用于该系统从而实现信息实时交互，也成为我们的遗憾。

展望未来，基于全球性网络标准的新一代航空电信网(ATN)将成为地空数据通信和数字化管制的主要手段，基于合同式自动相关监视(ADS-C)系统将直接向地面提供飞行管理系统（FMS）的信息，基于TBO的空管新理念新技术也将不断研发、验证和应用推广，再搭上AI 技术的风口，进离场决策系统将更加智能化、数据化、协同化，从而大大提高空域利用率，更好地服务于空管高质量发展，服务于民航强国建设。