空中交通管制员工作效率量化评估方法

夏正洪; 胡征祎; 李元直

doi:10.12404/j.issn.1671-1815.2501745

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :848-854 DOI: 10.12404/j.issn.1671-1815.2501745

航空、航天

空中交通管制员工作效率量化评估方法

作者信息 +

Quantitative Evaluation Method for Work Efficiency of Air Traffic Controllers

Author information +

文章历史 +

摘要

面向动态空域环境下空中交通管理效能提升与资源配置优化需求,提出了一种基于多维工作负荷融合的空中交通管制员工作效率量化评估方法。通过解析管制效率与工作负荷的动态耦合机制,构建包含通话、监视、操作、思考及特情处置负荷的四维评估指标体系,首次将特情处置因子纳入量化分析框架。采用熵权-层次分析组合赋权法确定指标主客观综合权重,并基于黑翅鸢优化算法(black-winged kite algorithm,BKA)改进高斯混合模型(Gaussian mixture model,GMM),建立管制工作效率分级评估模型。基于中国民航空管岗位职业技能大赛的视频音频数据实证表明:经优化的BKA-GMM模型可实现管制效率等级的精准分类,准确率和轮廓系数较传统GMM分别提升7.08%、9.82%,有效解决动态空域环境下管制效率量化评估难题,为精准识别管制瓶颈和优化资源调度提供理论依据。

Abstract

To address the demands for enhancing the efficiency of air traffic management and optimizing resource allocation in dynamic airspace environments, a quantitative assessment method for air traffic controllers’ work efficiency based on the fusion of multi-dimensional workloads was proposed. By analyzing the dynamic coupling mechanism between control efficiency and workloads, a four-dimensional evaluation index system including communication, surveillance, operation, thinking, and emergency handling loads was constructed, and the emergency handling factor was incorporated into the quantitative analysis framework for the first time. The entropy weight and analytic hierarchy process combined weighting method was adopted to determine the comprehensive subjective and objective weights of the indicators, and GMM (Gaussian mixture model) was improved based on BKA (black-winged kite algorithm) to establish a hierarchical assessment model for control work efficiency. Empirical evidence based on the video and audio data of the civil aviation air traffic management position vocational skills competition in China shows that the optimized BKA-GMM model can achieve precise classification, with accuracy and silhouette coefficient increasing by 7.08% and 9.82% respectively compared to the traditional GMM. This effectively solves the problem of quantifying control efficiency in dynamic airspace environments and provides a theoretical basis for accurately identifying control bottlenecks and optimizing resource scheduling.

Graphical abstract

关键词

工作效率 / 管制员工作负荷 / 高斯混合模型 / 聚类评估 / 黑翅鸢优化算法

Key words

work efficiency / controller workload / Gaussian mixture model / cluster evaluation / black winged kite optimization algorithm

引用本文

引用格式 ▾

夏正洪, 胡征祎, 李元直. 空中交通管制员工作效率量化评估方法[J]. 科学技术与工程, 2026, 26(2): 848-854 DOI:10.12404/j.issn.1671-1815.2501745

XIA Zheng-hong, HU Zheng-yi, LI Yuan-zhi. Quantitative Evaluation Method for Work Efficiency of Air Traffic Controllers[J]. Science Technology and Engineering, 2026, 26(2): 848-854 DOI:10.12404/j.issn.1671-1815.2501745

登录浏览全文

4963

注册一个新账户忘记密码

随着民航运输业的快速发展,航班数量持续增长,管制员在指挥空中交通时面临的压力日益增大。流量增加导致管制员工作负荷上升,进而引发指令发布延迟、协调难度加大、空域容量不足等问题。尤其在流量过大时,可用高度层有限,航空器难以及时调整高度,安全间隔可能无法保持,增加了空中冲突或接近事件的风险。因此,管制员工作效率量化评估方法研究是提升空中交通管理效能、优化资源配置及保障航空安全的必要基础,对于实现精细化管理和行业可持续发展具有重要现实意义。

中外相关研究成果可分为两类。第1类:构建指标体系的定量评估管制运行效率。张兆宁等^[1]分析了空域系统运行效率的影响因素,结合实际运行情况建立了空域系统运行效率评估指标体系。闫少华等^[2-3]基于折中排序法构建终端区管制运行效率评估模型,解决了传统方法对数据做标准化处理时会消除指标间差异性的不足。王鹏鹏^[4]基于AHP/DEA-BCC-AR评估模型,设计了终端区运行效率评估流程。程亚楠^[5]构建空地一体化运行效率优化研究的评价指标体系,基于各运行阶段的特点进行了优化。第2类:基于仿真和数据驱动的分析,量化评估管制员效率并优化空域管理策略。夏正洪等^[6]提出了一种基于点融合技术的进场航班流排序方法,使终端区空域容量和运行效率显著提升。许勇^[7]利用轨迹数据评估进近空域雷达管制效率,得到管制工作效率评估的量化结果。陈广杰^[8]设计了一个模拟管制员常用策略自动化程序,通过MinDS模型评估各级管制员在不同繁忙程度下的工作效率。Borràs等^[9]提出了提前交接(early handover,EHO)机制,通过缓解过载区域促进空域合并为更大的单位,提高空域效率以及管制员工作效率。许凌鹏^[10]分析了影响管制能力的主要因素,建立了基于生理信号的工作负荷评估模型。王辉^[11]设计了适合中国的进场效率评估指标,提出了基于M/G/1的排队论进场时间预测模型。

综上所述,当前针对管制员工作效率评估的研究多局限于单维度静态指标分析,普遍存在主观经验依赖性强、系统性量化模型构建不足等问题,尤其在多维动态工作负荷耦合机理解析、异构数据特征融合以及特情处置效能量化表征等方面尚未形成完整的方法体系,难以全面反映复杂空域环境下管制工作的非线性特征与多任务耦合关系。因此,现细化分析影响管制员效率的关键因素,构建包含通话、监视、操作、思考及处置负荷的评估体系,并结合熵权法与层次分析法计算权重。采用黑翅鸢优化的高斯混合聚类模型建立效率分级模型,并基于民航管制大比武数据计算参赛管制员效率并分级,以期提升管制员绩效评估的科学性,为空管资源优化配置和精细化管理提供数据支持。

1 管制效率定义和影响因素分析

1.1 管制工作效率定义

当空域流量增加时,管制员指挥进场航班按照标准程序飞行无法保证安全的飞行间隔,此时管制员需雷达引导延长航班飞行路径,增加了工作负荷。因此,当其他外界态势一定飞行流量增加时,管制员的管制工作负荷增大,管制工作效率降低。根据效率定义可得,管制员工作效率是指在特定时间内,管制员所保障的航班架次与其投入的工作时间之间的比值。但仅将保障架次作为管制工作产出,有以下不足之处:①以保障的航空器架次来衡量管制工作产出无法反映空域结构、流量分布、机型差异和管制方式等实际因素的影响;②使用架次与时间的比值来评估管制效率缺乏实际意义,且架次与时间单位不统一;③单纯提高保障架次来提升管制效率会导致过高的工作负荷,增加安全风险。

基于以上存在的问题,无法将“保障航空器架次”等同于“管制工作产出”。同时,为了满足公平合理、量纲统一、安全第一等原则的管制效率标准,将管制工作产出由保障架次定义为“保障定量架次航空器所需的优化管制工作负荷”。用该值量化管制员的工作产出,由此可得:管制员工作效率等于单位时间内优化的管制负荷比实际的管制负荷。其中,优化的管制负荷意为空域结构、管制方式、流量分布等因素相同时管制负荷的理想值。管制工作效率与工作负荷的本质区别在于,前者表征管制员在空域环境约束下将工作负荷转化为运行效能的动态能力,后者仅体现单位时间内资源消耗的静态表征指标。即工作负荷仅能体现工作量大小,但无法衡量其投入产出比。当管制员实际负荷较大,优化管制负荷较小时,说明该管制员在实际工作中管制指令个数、发布时机、指令有效程度与理想情况下差异较大,管制投入较大但产出较少,因此管制效率低。

然而,传统评估方法依赖静态指标,难以刻画流量波动、特情突发等扰动对管制效率的实时冲击。管制效率与工作负荷的动态耦合机制则体现了二者在实时空域环境中的双向互动关系:管制效率并非静态指标,而是随工作负荷的动态波动而变化。当突发特情或流量骤增时,管制员需额外处理冲突协调、应急决策等任务,导致实际工作负荷瞬时上升;若管制员技能不足,负荷增速超过优化负荷,效率随之下降。这一机制解释了外部扰动引发负荷波动,人因能力通过动态调节实现了效率与负荷的平衡。

1.2 管制工作效率的影响因素分析

由上述分析知,当空域内飞行流量变化时管制员工作负荷与其管制工作效率之间有着密切的联系,同理包括进近航空器平均飞行时间和距离、飞行间隔变化率、间隔标准差等因素^[12-13]。

管制员单位时间工作负荷随流量、空域复杂度、恶劣天气等影响因素增加而增加,说明当流量分布密集、空域结构复杂、影响天气范围较大时,都会增加管制员单位时间工作负荷。但当各影响因素、运行环境相同时,管制效率高的管制员,其单位时间的管制工作负荷较低。高水平的管制员对管制负荷增加有抑制作用,当流量、空域复杂度、影响天气范围增加时,管制效率较低的管制员受影响更严重,表现为管制指令个数急剧增加。而管制效率较高的管制员能有效克服不利影响,把管制工作量的增长量控制在一定范围,快速有效地实施管制指挥,加快和维持有秩序的空中交通流动。

由此得到管制效率、管制负荷的定性关系:管制效率高代表其管制技能水平高,相同的条件下保障相同的航空器架次,管制员的业务量小,管制指令准确,管制工作负荷小。因此,管制工作效率的评估应结合管制工作负荷的变化特征,以全面反映管制员在不同运行条件下的实际工作状态。

2 管制工作负荷量化评估方法

2.1 管制工作负荷指标体系构建

基于已有研究成果可知,管制员工作负荷常被分为3类:指挥负荷、协调负荷和监视负荷。但在处理空中交通管理任务时产生的认知和操作负荷还应包含深层思考策略和应对特殊情况产生的负荷。因此,新增“思考及处置负荷”这一类别,管制员工作负荷各级指标名称及含义如表1所示。

2.2 指标量化与权重计算方法

2.2.1 指标的量化

在管制员工作负荷的评估中,多个维度的负荷计算可以帮助更准确地量化管制员的工作强度。

(1)通话负荷f_T(t_T_i,P_T_i,A_T_i)涉及管制员与飞行员之间的无线电通话,其公式为

(1)

${f}_{\mathrm{T}}({t}_{\mathrm{T}i},{P}_{\mathrm{T}i},{A}_{\mathrm{T}i})=\stackrel{n}{\sum _{i=1}}\frac{{t}_{\mathrm{T}i}{P}_{\mathrm{T}i}{A}_{\mathrm{T}i}}{T}$

式(1)中:t_T_i为第i个通话的时间长度;P_T_i为第i个通话的优先级,优先级在飞行任务计划阶段确定,反映了航班相对于其他航班的重要性;A_T_i为第i个通话的紧急度,作为动态的衡量标准,指航班在飞行过程中遇到的紧急情况或安全威胁的相对紧迫性;t_T_iP_T_iA_T_i作为一个整体,表示每个通话的负荷;T为单位时间,用于标准化负荷。

(2)监视负荷f_M(C_M_j,A_M_j,P_M_j)主要反映管制员对空域内飞行器的监控工作,其公式为

(2)

${f}_{\mathrm{M}}({C}_{Mj},{A}_{\mathrm{M}j},{P}_{\mathrm{M}j})=\stackrel{n}{\sum _{j=1}}\frac{{C}_{\mathrm{M}j}{A}_{\mathrm{M}j}{P}_{\mathrm{M}j}}{T}$

(3)

${C}_{\mathrm{M}}={w}_{1}N+{w}_{2}D+{w}_{3}C+{w}_{4}({V}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}}+{H}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}})+{w}_{5}\mathrm{C}\mathrm{o}\mathrm{S}+{w}_{6}\mathrm{W}\mathrm{F}$

式中:C_M为监视负荷的复杂度;N为航班数量;D为航班密度;C为航班轨迹交叉度反映了航班之间可能存在的交叉或冲突;V_rate和H_rate为航班速度和高度的变化率;CoS为空域结构复杂性;WF为天气环境因素;w为各因素所占权重;A_M_j为第j个监视任务涉及的飞行器数量;P_M_j为第j个监视任务的优先级。

(3)操作负荷f_O(C_O_k,A_O_k)涉及管制员工作时的雷达管制操作,其公式为

(4)

${f}_{\mathrm{O}}({C}_{\mathrm{O}k},{A}_{\mathrm{O}k})=\stackrel{n}{\sum _{k=1}}\frac{{C}_{\mathrm{O}k}{A}_{\mathrm{O}k}}{T}$

式中:C_O_k为第k个操作任务的复杂性;A_O_k为第k个操作任务的多重性;C_O_kA_Ok为每个操作任务的综合工作负荷。

(4)思考与处置负荷f_S(C_S_m,D_S_m,P_S_m,M_S_m)反映管制员在思考发布何种指令、应对飞行冲突、航班问题等情况下的工作负荷,其公式为

(5)

${f}_{\mathrm{S}}({C}_{\mathrm{S}m},{D}_{\mathrm{S}m},{P}_{\mathrm{S}m},{M}_{\mathrm{S}m})=\stackrel{n}{\sum _{m=1}}\frac{{C}_{\mathrm{S}m}{D}_{\mathrm{S}m}{P}_{\mathrm{S}m}{M}_{\mathrm{S}m}}{T}$

式中:C_S为管制员思考第m个事件飞行态势的复杂性,对比几分钟内雷达管制图像变化;通过专家问卷调研每种指令和特情的思考时间,D为第m个特情的思考时间;P为第m个事件的优先级;M为第m个事件的紧急度。

2.2.2 权重计算方法

为反映各指标对管制员工作负荷的贡献度,采用了熵权法与层次分析法相结合的方式为管制员工作负荷指标赋权。使用熵权法根据各指标的数据分布计算客观权重,反映其信息贡献度。通过层次分析法结合专家的经验对二级指标进行成对比较,确定主观权重。将两者的权重进行加权融合,得到组合权重。组合权重计算结果如表2所示。

由此可得,管制员工作负荷WL最终计算表达式为

(6)

WL=L_Tf_T(t_T_i,P_T_i,A_T_i)+L_Mf_M(C_M_j,A_M_j,P_M_j)+

L_Of_O(C_O_k,A_O_k)+L_Sf_S(C_S_m,D_S_m,P_S_m,M_S_m)

式(6)中:L_T、L_M、L_O、L_S为不同种负荷权重。

2.3 管制员工作效率等级分级方法

2.3.1 黑翅鸢优化算法

黑翅鸢算法是一种基于自然启发的元启发式优化算法,灵感来源于黑翅鸢的迁徙和捕食行为。通过结合Cauchy变异策略和领导者策略,提高了全局搜索能力并加速了收敛过程,从而有效避免了局部最优解,并优化了搜索效率。因此,BKA相较于其他优化算法的优势在于其良好的全局搜索能力和较快的收敛速度,在处理高维复杂优化问题时展现了较强的适应性,提高了解决多目标和约束优化问题的效率^[14-15]。

2.3.2 高斯混合模型

高斯混合模型是一种常用于聚类和概率密度估计的统计模型,假设数据集由多个高斯分布组成,每个高斯分布对应一个簇,通过最大似然估计得到数据点属于每个簇的概率。GMM能够处理具有不同形状和大小的簇,其实现则需要不断调整模型参数。

步骤1 数据准备。收集并整理数据,清洗数据集,去除重复和异常数据,确保数据质量。

步骤2 模型初始化。初始化高斯分布的参数,包括均值、协方差矩阵和混合权重。

步骤3 期望步(E步)。根据当前的模型参数,计算每个数据点在各个高斯分布下的后验概率,即每个数据点属于各个簇的概率。

步骤4 最大化步(M步)。根据E步计算的后验概率,更新每个高斯分布的参数,通过最大化似然函数来优化模型参数。

步骤5 收敛判定。重复执行E步和M步,直到模型参数的变化小于预设的阈值,或达到最大迭代次数,算法收敛。

步骤6 聚类结果。每个数据点根据计算得到的后验概率被分配到概率最大的高斯分布簇,从而得到最终的聚类结果。

3 管制员工作效率评估及分级实验

3.1 实验空域及环境介绍

数据来自第六届中国民航空管(管制、情报)岗位职业技能大赛中区域管制技能比赛环节的参赛选手操作实录视频及无线电通话音频。原始视频及音频素材覆盖约40 min的高强度管制场景,包含30 余架次航班的指挥任务,涉及偏航处置、雷达失效、紧急高度层调整等特情模拟,高度还原真实空域动态复杂性。参赛选手由全国各空管局一线管制员及民航院校专业人员组成,涵盖初级至高级不同经验层级。如图1所示,比赛空域的覆盖面积超过40 000 km²,航班飞行高度范围涵盖4 500~11 000 m,有4 条主要航线。表3则介绍了比赛区域空域的主要参数数据。

3.2 管制工作效率量化

基于高效管制员的工作表现建立合理的负荷基准,以衡量不同管制员在相同空域条件下的工作效率水平,采用区域管制技能大比武前10 名选手的平均工作负荷作为优化后的管制负荷,并以此计算各参赛管制员的工作效率。

(7)

$E\left(t\right)=\frac{{L}_{\mathrm{o}}}{{L}_{\mathrm{a}}+\mathrm{\Delta }L\left(t\right)}$

式(7)中:E(t)为管制员动态环境下的实时工作效率;L_o为优化后的管制负荷;L_a为管制员正常状态下的管制负荷;ΔL(t)为外部扰动引起的动态负荷增量。

采集参赛管制员的通话、监视、操作、思考及处置负荷数据,并依据式(1)~式(5)进行量化。

3.3 管制工作效率分级

将管制指挥视频每5 min进行一次切片,记录当前雷达管制界面内最近两架航班的欧氏距离,计算参赛选手实时工作效率,所有切片取平均值得到航班平均最小间隔和管制员工作效率,并讨论二者的关系。计算工具使用MATLAB R2024a对样本数据集进行层级细分。

为验证BKA对GMM聚类效果的提升作用,基于区域管制技能大比武赛事数据集,对比分析了传统GMM与BKA-GMM的聚类性能(图2)。设定传统GMM模型正则化参数为0.000 1,根据样本归一化后在二维图中呈现的形态,分别进行聚3类(编号为cluster1~ cluster3)及4类(编号为Cluster1~ Cluster4)分析,如图2(a)和图2(b)所示。当聚类数目为3时,模型分类准确率为91.67%,聚类中心分布离散度较高,轮廓系数为0.754 5。当聚类数目增至4时,4类聚类中效率较低的层级被强制分割为2个子类(Cluster2与Cluster4),说明固定参数下的GMM对噪声敏感,且无法自适应选择合理聚类数目。

与此相对,BKA-GMM可自主在范围内选择参数。设定聚类数目N=[2,10],种群数目为10,最大迭代次数为30,正则化参数B=[1×10^-5,1×10^-2],在局部极值问题和变量边界处理做出协调,调用BKA算法优化聚类数目和正则化参数,使用优化后的聚类数目和正则化参数重新运行GMM聚类算法,直至算法收敛。将雷达管制效率分级的结果优、良、中,效率层级的划分情况如图2(c)所示。优化后模型将样本清晰划分为3个效率层级,重复10次实验,分类平均准确率提升至98.75%,平均轮廓系数为0.828 6,较传统GMM分别提高7.08%、0.074 1。

经过BKA算法优化后,得到了优化的聚类数目和正则化参数以及对应的频率。如图3(a)所示,优化过程中聚类数目主要集中在2~4,说明BKA算法在优化时,倾向于选择较小的聚类数目,避免了过拟合的风险。图3(b)中,优化过程中正则化参数集中在较小的范围内也可佐证这一点。同时数据存在一定噪声,有赖于较小的正则化参数提高聚类结果的质量。

图4为Griddata函数三维网格插值的结果,X、Y、Z轴分别为聚类数目、正则化参数和适应度值。通过Meshgrid函数,定义了聚类数目和正则化参数的离散范围,生成了一个网格数据。每个网格点对应一组的聚类数目和正则化参数,显示出不同参数组合下模型的性能差异。优化后的聚类数目为3,正则化参数为0.008 3,最佳适应度值为0.875 2。适应度值随聚类数目和正则化参数的变化呈现出波动的趋势,表明聚类数目和正则化参数对模型效果有较强的非单调性影响。

3.4 管制效率评估数值聚类分析

按上述方法计算出区域管制大比武参赛人员的工作效率和最小平均间隔后,取前100 个样本对二者进行配对样本T检验。t=-4.65,对应的P<0.1,表明配对差值统计显著;效应量值为4.366,远大于通常情况下的效应量大值,即工作效率配对最小平均间隔存在显著差异,具备傅里叶拟合的前置条件。图5为拟合的回归曲线。回归曲线表达式为:f(x)=12 216-30 883cos(5.883 1x)-20 032×sin(5.883 1x),其中R²=0.930 8。可知工作效率和最小平均间隔存在函数关系。由图5可见,随着管制员工作效率的增加,航班最小平均间隔前期缓慢增加,中期急剧增加,到达一定之后趋于平缓,表明航班最小平均间隔对管制员工作效率的影响是波动性的。由参赛人员调研得知,管制员指挥航班按照标准程序飞行,管制员工作负荷处于较小水平,单位时间内管制业务量小,管制效率较高;由于管制员为配备间隔发布较多雷达引导指令、并时刻监视飞行状态判断间隔大小,管制员工作负荷较大,单位时间内管制业务量大,管制效率较低。因此,较高的工作效率有助于增大航班间的最小平均间隔,高效的管制员能够更快速合理地完成调度任务,从而减少航班之间的空闲时间,导致较短的间隔。

此外,较大的间隔为管制员提供了更多的时间来处理每个航班,管制员能更好地分配注意力,出现错误指令和操作的情况较少,工作负荷减小,形成一种航班平均最小间隔较越大,工作效率越高的循环。

4 结论

(1)提出了管制员工作效率量化评估方法,通过引入优化负荷与实时负荷的比值,揭示了管制效率与多维负荷的动态耦合机制,扩展了空管效能评估的理论框架,为绩效评估提供更全面的理论框架。

(2)基于真实赛事数据的验证表明,结合黑翅鸢优化算法改进的高斯混合模型,显著提升了聚类模型的鲁棒性与分类精度,有效克服了噪声敏感性与参数固化问题,为管制员绩效评估提供可行性工具。

(3)未来可结合实时生理信号与空域态势数据,探索管制效率与工作负荷耦合机制的瞬时响应模型,并扩展至多管制席位协同场景,为空管智能化决策提供更全面的理论支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张兆宁, 赵汝斌. 基于数据包络分析法的空域系统运行效率评估[J]. 科学技术与工程, 2013, 13(20): 6024-6028, 6042.

[2]	Zhang Zhaoning, Zhao Rubin. Evaluation of airspace system operational efficiency based on data envelopment analysis method[J]. Science Technology and Engineering, 2013, 13(20): 6024-6028, 6042.

[3]	闫少华, 孙佳琦, 张兆宁. 基于三角模糊熵-折衷排序法的终端区管制运行效率评估模型[J]. 科学技术与工程, 2020, 20(13): 5409-5415.

[4]	Yan Shaohua, Sun Jiaqi, Zhang Zhaoning. An evaluation model of terminal area control operation efficiency based on triangular fuzzy entropy and compromise ranking method[J]. Science Technology and Engineering, 2020, 20(13): 5409-5415.

[5]	闫少华, 于琦, 张兆宁. 集成综合评价法的终端区管制运行效率评估[J]. 科学技术与工程, 2021, 21(8): 3393-3398.

[6]	Yan Shaohua, Yu Qi, Zhang Zhaoning. Evaluation of terminal area control operation efficiency based on integrated comprehensive evaluation method[J]. Science Technology and Engineering, 2021, 21(8): 3393-3398.

[7]	王鹏鹏. 终端区运行效率评估方法及模型研究[D]. 南京: 南京航空航天大学, 2016.

[8]	Wang Pengpeng. Research on evaluation methods and models for terminal area operational efficiency[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2016.

[9]	程亚楠. 基于空地一体化的大型机场运行效率优化研究[D]. 天津: 中国民航大学, 2022.

[10]	Cheng Yanan. Research on the optimization of large airport operation efficiency based on air-ground integration[D]. Tianjin: China Civil Aviation University, 2022.

[11]	夏正洪, 黄龙杨, 王剑辉. 基于点融合技术的机场终端区运行效率[J]. 科学技术与工程, 2021, 21(3): 1176-1181.

[12]	Xia Zhenghong, Huang Longyang, Wang Jianhui. Operation efficiency of airport terminal area based on point fusion technology[J]. Science Technology and Engineering, 2021, 21(3): 1176-1181.

[13]	许勇. 进近管制员雷达管制效率评估关键技术研究[D]. 广汉: 中国民用航空飞行学院, 2018.

[14]	Xu Yong. Research on the key technology of radar control efficiency evaluation forapproach controllers[D]. Guanghan: Civil Aviation Flight University of China, 2018.

[15]	陈广杰. 管制员管制能力分析及其在AMAN系统中的应用研究[D]. 南京: 南京航空航天大学, 2022.

[16]	Chen Guangjie. Analysis of controller’s control ability and its application in AMAN system[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2022.

[17]	Borràs A, Calvet L, Piera M À. Increasing airspace capacity by improving ATCo’s efficiency through an innovative handover mechanism[J]. Computers & Industrial Engineering, 2024, 196. DOI: 10.1016/j.cie.2024.110513.

[18]	许凌鹏. 进近雷达管制员管制能力的影响因素量化研究[D]. 天津: 中国民航大学, 2023.

[19]	Xu Lingpeng. Quantitative study on influencing factors of control ability of approach radar controllers[D]. Tianjin: China Civil Aviation University, 2023.

[20]	王辉. 北京首都机场进港航班运行效率研究[D]. 天津: 中国民航大学, 2018.

[21]	Wang Hui. Research on the operational efficiency of inbound flights at Beijing Capital International Airport[D]. Tianjin: China Civil Aviation University, 2018.

[22]	武丁杰. 基于空域复杂度的管制员工作负荷评估[J]. 科学技术与工程, 2013, 13(31): 9465-9470.

[23]	Wu Dingjie. Air traffic controller workload assessment based on airspace complexity[J]. Science Technology and Engineering, 2013, 13(31): 9465-9470.

[24]	王永刚, 王慧莹. 技能自评在管制员工作负荷压力与认知能力间的调节效应分析[J]. 中国安全生产科学技术, 2023, 19(4): 49-55.

[25]	Wang Yonggang, Wang Huiying. Analysis on the moderating effect of skill self-assessment between controller’s workload stress and cognitive ability[J]. Safety Science and Technology, 2023, 19(4): 49-55.

[26]	Wang J, Wang W C, Hu X X, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering problems[J]. Artificial Intelligence Review, 2024, 57(4). DOI: 10.1007/s10462-024-10723-4.

[27]	王玉芳, 程培浩, 闫明. 融合信赖域与非线性单纯形法的黑翅鸢优化算法[J]. 计算机科学与探索, 2025, 19(7): 1789-1807.

[28]	Wang Yufang, Cheng Peihao, Yan Ming. Black-winged kite optimization algorithm integrating trust region and nonlinear simplex method[J]. Computer Science and Exploration, 2025, 19(7): 1789-1807.

基金资助

国家重点研发计划(2024YFC3014400)

民航飞行技术与飞行安全科研基地(F2024KF04C)

中国民用航空飞行学院基本科研项目(25CAFUC03047)

中国民用航空飞行学院基本科研项目(25CAFUC03105)

PDF (5075KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-15	2026-01-18	2025-10-28
Online Date
2026-09-20

摘要