基于改进PSO-XGBoost的管制员情景意识预测方法

张宇; 邵荃; 郑学荣

doi:10.12404/j.issn.1671-1815.2502977

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (7) :3093-3100 DOI: 10.12404/j.issn.1671-1815.2502977

航空、航天

基于改进PSO-XGBoost的管制员情景意识预测方法

张宇 ¹ ,
邵荃 ¹^,^* ,
郑学荣 ²

作者信息 +

Situation Awareness Prediction Method of Controllers Based on Improved PSO-XGBoost

ZHANG Yu ¹ ,
SHAO Quan ¹^,^* ,
ZHENG Xue-rong ²

Author information +

文章历史 +

摘要

管制员情境意识(situation awareness,SA)是指管制员对当前空域中各种要素的感知、理解和对未来状态的预测能力,因此快速、准确地预测管制员SA对于保障航空系统安全高效运行具有重要意义。基于管制工作的形式和内容,利用情境意识全面测评技术(situation awareness global assessment method, SAGAT)对管制员情景意识进行客观的量化评估。并基于构建的六种管制效能指标,提出了一种将粒子群算法(particle swarm optimization, PSO)和XGBoost(extreme gradient boosting)相结合的管制员情景意识预测模型。将提出的PSO-XGBoost算法与三种流行算法进行可视化的输出和对比,结果表明该组合优化算法的预测精度可以达到97.17%,实现了准确预测管制员的情景意识。并基于实训航迹的外部数据集进行了模型的有效性验证与泛化评估,证明了模型在真实数据下的可迁移性与稳健性。研究结果证明了管制员情景意识的可预测性,以及提出的改进算法和构建的管制效能指标可以作为准确预测管制员情景意识的有效方法。

Abstract

Situation awareness (SA) of air traffic controllers is defined as their ability to perceive, comprehend, and anticipate the future state of elements in the airspace. Accurate and rapid prediction of SA is considered essential for ensuring the safe and efficient operation of the aviation system. The situation awareness global assessment technique (SAGAT) was applied to objectively measure controllers’ SA based on task characteristics. A predictive model combining particle swarm optimization (PSO) and XGBoost was developed based on six control performance indicators. A visual comparison was conducted between the proposed PSO-XGBoost algorithm and three widely used algorithms. The results demonstrate that the combined optimization approach achieved a prediction accuracy of 97.17%, effectively enabling precise estimation of air traffic controllers’ situation awareness. Furthermore, based on the external datasets of the training trajectory, the effectiveness and generalization of the model were validated, proving its transferability and robustness with real data.The findings confirm the feasibility of SA prediction and suggest that the proposed algorithm and indicators provide an effective approach for enhancing prediction accuracy.

Graphical abstract

关键词

管制员 / 情景意识 / PSO-XGBoost / 管制效能指标 / SAGAT

Key words

controllers / situation awareness / PSO-XGBoost / control performance indicators / SAGAT

引用本文

引用格式 ▾

张宇, 邵荃, 郑学荣. 基于改进PSO-XGBoost的管制员情景意识预测方法[J]. 科学技术与工程, 2026, 26(7): 3093-3100 DOI:10.12404/j.issn.1671-1815.2502977

ZHANG Yu, SHAO Quan, ZHENG Xue-rong. Situation Awareness Prediction Method of Controllers Based on Improved PSO-XGBoost[J]. Science Technology and Engineering, 2026, 26(7): 3093-3100 DOI:10.12404/j.issn.1671-1815.2502977

登录浏览全文

4963

注册一个新账户忘记密码

情景意识(situation awareness,SA)是人们处于一定的时间和空间范围内时,对周围各要素的感知、理解和预测,是一种人的认知行为^[1]。情景意识是人为因素的重要组成成分,在系统运行过程中贯穿始终,指导了个体和组织的活动过程,情景意识的下降乃至丧失很有可能会引起人员的行为失误。情景意识的评价方法包括主观的情景意识测评技术(situation awareness rating technology, SART)、客观的情景意识全面测评技术(situation awareness global assessment method, SAGAT)^[2]和脑电^[3]、眼动数据^[4-5]等生理指标测量方法。根据美国国家运输安全委员会事故报告,由人因失误导致的航空事故中有88%都与情景意识差错相关^[6]。面对新形势下民航业的快速发展,空中交通管制员作为航空业的重要组成部分,负责指挥航空器并保障航空器的安全高效运行。因此管制员的情景意识水平将会直接影响到航空安全,如何正确评估管制员的情景意识水平成为国内外学者研究的重点。

一些研究通过搭建情景意识模型对管制员进行分析,张兆宁等^[7]构建了基于传统塔台和远程塔台的管制员情景意识评估模型,通过组合分析方法对不同场景下塔台管制员SA水平进行分类识别,以最大程度地提高管制员在复杂空中交通场景中的综合认知能力;王燕青等^[8]从管制员的个人能力、管制任务特点和管制设备3个方面构建管制员情境意识可靠性模型,基于贝叶斯网络对SA可靠性进行定量分析。该方法结构性和泛用性较好,但是由于大多数情景意识模型均采取了较为主观的方法进行搭建和分析,存在可解释性不强的问题。

由于生理指标测量方法具有实时性、客观性强的特点,因此探寻情景意识的敏感生理指标一直是航空安全研究的目标之一。其中,以眼动指标、心电指标和脑电指标的关注度最高。刘双等^[9]提出了一种新的情景意识量化模型和建立方法,综合采用情境意识全面测评技术(situation awareness global assessment method, SAGAT)、三维情境意识测评技术(3D situation awareness rating technology, SART)技术、操作绩效和眼动仪测量四种方法对于不同环境下被试的情景意识水平进行量化评测;冯传宴等^[10]通过三维度情境意识测评技术、眼动和脑电数据等多维度数据的综合分析,探究不同脑力负荷水平下人员情景意识的变化规律。但是由于生理指标测量方法基本均为侵入式较强的设备,且需要大量的数据处理与分析,无法对结果进行快速的输出,因此很难对管制员的情景意识进行准确快速的预测。

综上所述,现有的相关研究集中于利用模型构建、评价方法创新以及影响因素分析等多方面对空中交通管制员的情景意识进行评估,但是由于现有评价方法具有侵入性强和无法实时同步输出的局限性,很难对于管制员的情景意识进行快速准确的预测,因此无法在其情景意识快速丧失的情况下及时告警。如何对管制员情景意识进行精准识别和快速准确的预测,对于提高管制员培训效果、管制工作中的绩效水平、扇区的合理划分以及提高航空运行的安全性具有重要意义。

因此基于情景意识全面测评技术(SAGAT),设计相关模拟管制场景和飞行计划,基于模拟实验环境构建六种管制效能指标,并提出改进的机器学习算法,利用管制员的绩效指标为基础搭建情景意识预测模型。招募被试进行模拟实验,将模型的预测结果进行可视化输出,基于SHAP(shapley additive explanations)方法对六种管制绩效指标的模型预测贡献度进行分析,并将提出的模型精度与传统方法进行对比,验证本文方法的可行性和精确性。

1 实验设计

设计相关模拟实验对管制员的绩效指标和情景意识进行量化评估。

1.1 实验场景

由于进近雷达管制席位具有高复杂性和高灵活性,本次模拟实验选取进近雷达管制作为具体的实验设计场景。所设计的模拟管制扇区包含5个进场点和4个离场点,进离场点的具体名称和类型如表1所示。

所使用的跑道为36号单跑道,并增加相应的禁飞空域和限制空域,以模拟真实的进近管制场景,具体模拟管制场景如图1所示。

1.2 被试人员

由于管制经验较少的管制学员和见习管制员在培训和工作过程中更容易发生情景意识降低乃至丧失的情况,因此,为了提高培训效率和空中交通管制安全,快速准确评估和预测管制学员或见习管制员情景意识的高低十分重要。共招募了45名年龄分布在20~25岁的健康男性管制学员作为被试,视力正常或矫正视力正常,且均已在1年的时间内完成240 h的雷达管制基础模拟机培训,并取得相关管制基础合格证。测试前保证每一位被试均已了解相关实验流程和设备操作方法,同时确保被试在实验前已得到充足的睡眠和休息,在数据采集前不进行剧烈的运动,以减少一切可能影响实验数据准确性的外界因素干扰。

1.3 航班飞行计划

确定模拟场景后,对实验过程中模拟的航班飞行计划进行设计。对每一架次航班的航班号、机型等进行平均分配,机型包括轻型机、中型机和重型机,以测试被试是否具有管制移交间隔等方面的情景意识。每位被试分别作为模拟管制员和模拟飞行员进行两组模拟实验,每次实验由一个被试单独进行,每组实验设置12个架次的航班飞行计划,通过给不同的航空器分配不同的出现时刻、出现地点和降落机场,规划航空器运行密度,从而让航班时刻分布均匀,避免某一时段管制员的压力过大或过小从而影响其情景意识测量的准确率。此外,航班飞行计划的设计还考虑了航空器之间的冲突,包含进场航空器之间的冲突、离场航空器之间的冲突、进场航空器和离场航空器之间的冲突。通过营造可能存在数次冲突的管制环境,来准确测量管制员的情景意识。具体的飞行计划(部分)如表2所示。

1.4 基于SAGAT的情景意识评价方法设计

Endsley^[11]为了客观测量被试的情景意识,提出了SAGAT的评价方法,研究结果表明,该种技术不会受到被试记忆的限制,也不会对被试行为存在干扰,具有更高的灵敏度和可行性。SAGAT方法是根据目标导向任务分析而提出的,该方法分层识别管制员的目标、为实现目标而做出的决策以及做出对应决策所需获取的信息。因此该实验过程中管制员的情景意识通过经典的SAGAT方法进行测量,并对其进行了一些操作上的修改:①第一个修改是由于传统的SAGAT评估方法是将屏幕进行空白化处理,然而有研究认为SAGAT只是对着空白屏幕测试视觉记忆能力^[12],为解决这一问题并方便实验的查询过程,在对被试提问时冻结屏幕,并显示无航班运行状态下的管制场景,而不是空白屏幕;②第二个修改是不仅测量管制员对空中交通管制的知识深度,而且测量管制员对空中交通管制的知识广度。因此综合考虑航空器运行的高度、速度和航向三个要素,以模拟更加真实的管制运行场景,从而保证被试情景意识的测量全面且准确。基于SAGAT方法所设计的情景意识测量问卷应包含感知、理解和预测三个层面,因此将问题划分为三个维度,具体的SAGAT量表如表3所示。在实验过程中利用基于SAGAT设计的情景意识量化评估方法,在特定时段对被试进行提问,根据被试的回答分别统计三个维度的作答情况。在数据收集之后,针对模拟管制的真实情况评估给定每个问题答案的准确性,并通过二进制SA分数(正确或不正确)进行量化^[13]。

2 管制效能指标的构建与提取

为定量衡量管制员在管制工作过程中的效率,表征管制员的工作绩效水平,共构建了六个相应的管制效能指标。

2.1 总飞行里程

所有航空器基于4D航迹中坐标数据进行计算的飞行距离总和(km)为

(1)D_total =

$\sum _{i=1}^{n}\sum _{j=1}^{{N}_{i}-1}\left[\right({x}_{i,j+1}-{x}_{i,j}{)}^{2}$

+(y_i,j+1-y_i,j)²+

(1)(z_i,j+1-z_i,j)²]¹^/²

式(1)中:n为航空器架数;(x_i_,_j,y_i_,_j,z_i_,_j)为航空器i在第j个航迹点位置处的空间坐标;D_total为所有航空器总飞行里程的欧几里得距离。较短的总飞行里程可表征管制员能够在保证飞行安全的前提下,优化进近飞行路线、提高空域资源的使用效率。

2.2 总平飞时间

所有航空器高度不发生变化的飞行时间累加值T_LEV(min)为

(2)T_LEV=$\sum _{i=1}^{n}\sum _{a=1}^{k}$[${t}_{INT}^{i(a+1)}$-${t}_{STP}^{ia}$]

式(2)中:

${t}_{STP}^{ia}$

为航空器i在进入管制扇区后,第a次停止改变飞行高度的时刻;

${t}_{INT}^{i(a+1)}$

为航空器i第a+1次开始改变飞行高度的时刻;k为航空器i改变飞行高度的次数。在保证安全裕度的前提下,管制员应当引导飞机沿耗时较短、经济性较高的路径进行平飞,以节省燃料、减少飞行时间,并提高空域资源的利用效率。

2.3 总平飞距离

由于航空器在进近过程中速度变化较为明显,因此单独考虑航空器平飞过程中的速度变化情况。总平飞距离表示所有航空器高度不发生变化的飞行里程累加值(km)为

(3)D_LEV=$\sum _{i=1}^{n}\sum _{a=1}^{k}$[(${t}_{INT}^{i(a+1)}$-${t}_{STP}^{ia}$)v_LEV]

式(3)中:

${t}_{STP}^{ia}$

为航空器i在进入管制扇区后,第a次停止改变飞行高度的时刻;

${t}_{INT}^{i(a+1)}$

为航空器i第a+1次开始改变飞行高度的时刻;v_LEV为在平飞过程中航空器保持的速度大小平均值;k为航空器i改变飞行高度的次数。

2.4 平均进近时间

实验中所有进场航空器在终端区进近过程中所耗费的平均时间T(min),即所有航空器从起始进近定位点到建立航向道所花费的时间总和为

(4)T_APP=$\frac{1}{n}\sum _{i=1}^{n}$(${t}_{LOC}^{i}$-${t}_{IAF}^{i}$)

式(4)中:

${t}_{IAF}^{i}$

为航空器进入起始进近定位的时间;

${t}_{LOC}^{i}$

为航空器建立航向道的时间。在保证安全间隔的前提下,航空器进近阶段所耗费的时间越少,表征管制工作的效率越高。

2.5 平均水平间距

每记录时刻的所有航空器的平均水平距离,最后再取各记录时刻的水平距离平均值(km),即

(5)d_m_,_p = $\sqrt{({x}_{m}-{x}_{p}{)}^{2}+({y}_{m}-{y}_{p}{)}^{2}+({z}_{m}-{z}_{p}{)}^{2}}$

(6)D_avg(t_h)=$\frac{2}{{M}_{h}({M}_{h}-1)}\sum _{m=1}^{{M}_{h}-1}\sum _{m=p+1}^{{M}_{h}}$d_m_,_p

(7)D_avg = $\frac{1}{{N}_{t}}\sum _{h=1}^{{N}_{t}}$D_avg(t_h)

式中:d_m_,_p为航空器m和p之间的欧几里得距离;在h时刻t_h共有M_h架航空器;D_avg(t_h)为该时刻的平均水平距离,若一共有N_t个时刻,则D_avg为最终的平均水平间距。平均水平间距过小,会增加航空器之间的冲突风险以及管制员冗余的管制指令;平均水平间距过大会导致空域利用率降低,影响运行效率。因此管制员需要保证合理的平均水平间距,在保证安全的前提下提高运行效率。

2.6 近距航迹点数量

指在任意两架航空器近距离飞行时的历史航迹点数量之和N(个),为

(8)N=$\frac{1}{2}\sum _{t=1}^{m}\sum _{j=1}^{n}\sum _{i=1}^{n}{N}_{t}^{ij}$

式(8)中:m为实验中记录航迹点的时刻总数;n为所有进场航空器的架次。水平距离10~20 km之内,垂直距离300 m之内的航迹点数量的计算方法为:当两架航空器的水平距离在10~20 km、垂直距离在300 m之内时,记录这两架航空器的航迹点数量+2,以此类推计算符合条件的所有航迹点数量的累加值N;在其他范围内记录这两架航空器的航迹点数量+0。其中

${N}_{t}^{ij}$

具体取值为

(9)

${N}_{t}^{ij}$

$\left\{\begin{array}{l}2,\mathrm{　}\mathrm{第}t\mathrm{时}\mathrm{刻}\mathrm{航}\mathrm{空}\mathrm{器}i\mathrm{与}\mathrm{航}\mathrm{空}\mathrm{器}j\mathrm{的}\mathrm{水}\mathrm{平}\mathrm{距}\mathrm{离}\\ \mathrm{　}\mathrm{　}\mathrm{介}\mathrm{于}10~20\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{且}\mathrm{垂}\mathrm{直}\mathrm{距}\mathrm{离}\\ \mathrm{　}\mathrm{　}\mathrm{在}300\mathrm{ }\mathrm{m}\mathrm{内}\\ 0,\mathrm{　}\mathrm{第}t\mathrm{时}\mathrm{刻}\mathrm{航}\mathrm{空}\mathrm{器}i\mathrm{与}\mathrm{航}\mathrm{空}\mathrm{器}j\mathrm{的}\mathrm{空}\mathrm{间}\mathrm{距}\mathrm{离}\\ \mathrm{　}\mathrm{　}\mathrm{在}\mathrm{其}\mathrm{他}\mathrm{范}\mathrm{围}\mathrm{内}\end{array}\right.$

将上述构建的6种管制效能指标,在被试的模拟管制场景中进行对应提取。综合以上6种指标的特征和数值,对管制员情景意识进行预测,并对各指标贡献度进行定量的分析。

3 管制员SA量化方法

根据实验结果对被试的情景意识分层评价量表进行相关统计,并基于被试的反应时间和SA评价量表正确率对被试的SA进行量化处理,具体的量化模型^[14]为

(10)SA_i = C_i

$\frac{{t}_{0}}{{t}_{i}}$

式(10)中:SA_i为被试i的情景意识量化分值;C_i为被试i的正确率;t_i为被试i的反应时间;t₀为所有被试的平均反应时间。将所有被试的情景意识水平进行量化输出,对所得到的目标数据进行标准化处理,采用K最近邻分类算法(K-nearest neighbors,KNN),以0.1为阈值对数据进行异常值的剔除^[15],并将数据点分布的核密度估计(kernel density estimation,KED)进行可视化输出,具体结果如图2所示。

结果显示无异常值存在,表明被试的情景意识数据采集较为准确,基本呈现正态分布。为检验问卷设计的合理性,对三个不同层级的情景意识量化评估结果进行重复测量方差分析(analysis of variance,ANOVA),置信度水平为95%,并输出组间的显著性水平,具体的结果如表4所示。

输出结果中显著性水平p < 0.01,因此不同层级问题之间具有显著性差异,SAGAT管制员情景意识量化评估问卷的设计相对合理,基于该问卷可以体现情景意识中的感知、理解和预测三级指标。

4 基于PSO-XGBoost算法的管制员SA预测

4.1 PSO-XGBoost算法

由于实验数据量不大,因此神经网络算法不适用,而XGBoost(extreme gradient boosting)是一种高效的梯度提升决策树算法,具有高性能、正则化、鲁棒性强等特点,对于处理中小规模数据具有显著优势,并且XGBoost的可解释性要强于神经网络,能够抵抗离群值和噪声^[16]。但是由于传统的XGBoost算法需要大量参数,一般通过手动调参进行参数最优化选择,当数据特征值较多时会显著降低该算法的计算速度。因此,提出一种改进的XGBoost算法,将粒子群优化算法(particle swarm optimization, PSO)与XGBoost算法相结合,加快最优参数的确定。粒子群优化算法是指在一个搜索空间中,每个粒子代表一个超参数组合,而每个粒子根据自身经验和群体经验更新位置,逐步找到最优解^[17]。PSO-XGBoost算法可以通过PSO优化XGBoost的关键超参数,大幅减少模型的训练时间并减少模型过拟合或欠拟合的可能。

XGBoost算法的目标函数为验证集上的性能指标最优,具体公式为

(11)Γ⁽^t⁾ =$\sum _{i=1}^{n}$$\left[{g}_{i}{f}_{t}\left({x}_{i}\right)+\frac{1}{2}{h}_{i}{f}_{t}^{2}\left({x}_{i}\right)\right]$ +$\sum _{k=1}^{K}$Ω[f_t(x_i)]

式(11)中:Γ⁽^t⁾为第t轮boosting迭代时的正则化目标函数,用于度量在当前迭代中新增决策树后的总体优化目标;g_i为损失函数的一阶梯度;h_i为损失函数的二阶梯度;f_t(x_i)为第t轮新增的决策树对样本x_i的预测值;Ω[f_t(x_i)]为决策树的正则化项,用于控制模型复杂度,防止过拟合,其具体计算公式为

(12)Ω(f_k) = γT + $\frac{1}{2}$λ

${\sum }_{j}^{}{w}_{j}^{2}$

式(12)中:T为叶子结点数;

${w}_{j}^{2}$

为叶子结点的权重;γ用于控制树的复杂度;λ为叶子结点权重

${w}_{j}^{2}$

的L2正则化系数,用于控制其权重。引入PSO算法进行参数优化,粒子群搜索更新公式为

(13)${v}_{i}^{(t+1)}$ =σ${v}_{i}^{\left(t\right)}$ + c₁r₁[p_best,_i + ${x}_{i}^{\left(t\right)}$] +c₂r₂[g_best - ${x}_{i}^{\left(t\right)}$]

(14)${x}_{i}^{(t+1)}$ = ${x}_{i}^{\left(t\right)}$ + ${v}_{i}^{(t+1)}$

式中:

${v}_{i}^{\left(t\right)}$

为粒子i在第t轮的速度;σ为惯性权重用于控制搜索范围;c₁和c₂为学习因子,分别影响个体和全局最优搜索能力;r₁和r₂为范围在[0,1]的随机数;p_best为粒子过去的最优超参数;g_best为所有粒子中的全局最优超参数。最终通过搜索γ和λ得出最优的正则化参数,从而提升模型性能。这种方法可以避免过拟合,利用最少的计算资源来实现更准确的处理,并提高泛化能力。

4.2 基于管制效能指标的情景意识预测

空中交通管制方面的研究揭示了空中交通管制绩效与情景意识问卷得分之间具有显著相关性^[18],因此基于提出的PSO-XGBoost算法,利用所得到的管制效能指标对管制员的情景意识水平进行预测。采用四折交叉运算,以平均绝对误差(mean absolute error,MAE)作为适应度函数,通过改进的PSO-XGBoost模型将适应度函数、管制员情景意识预测值和预测曲线进行输出。适应度函数随迭代次数变化趋势的可视化输出如图3所示。基于适应度函数评估模型的收敛速度和收敛趋势,MAE的变化曲线反映出随着迭代次数的增加,模型较快进行收敛,并未陷入局部最优。且MAE呈现显著下降趋势,在200次迭代后快速收敛,平均绝对误差最终低于0.06,表明模型收敛性较好,同时基于PSO自适应选取的参数对于模型的优化效果显著。

为表征模型在预测方向和精度上的性能,将预测结果的误差混淆矩阵进行输出,如图4所示,误差混淆矩阵图中预测值的绝大部分的误差范围在5%以内,整体误差分布收敛且集中,表明改进的PSO-XGBoost算法对于管制员情景意识指标的预测精度较高。正负误差分布未呈现明显不对称,未产生系统性高估或低估的偏置,表明模型在方向性判断上较为稳定。

XGBoost算法、随机森林算法和支持向量机(support vector machine,SVM)是管制员情景意识研究中应用较为流行的3种算法^[19],将改进后的PSO-XGBoost算法与3种常用算法的结果进行比较, 进而得到4种算法预测结果可视化的对比输出如图5所示。可视化对比输出表明,基于改进的PSO-XGBoost算法实现的管制员情景意识量化结果中真实值和预测值的曲线变化趋势基本一致,并且偏差均较小。并将各算法所输出的精确度、平均绝对误差(mean absolute error,MAE)、均方误差(mean squared error,MSE)和R²数值进行对比,具体如表5所示。

由对比结果可知,改进后的PSO-XGBoost算法对管制员情景意识的预测精度达到了97.17%,该算法的预测精度要远高于现有研究中的几种流行算法;并且模型的R²=0.904 3,即模型的拟合程度效果很好,表明对应的六种管制效能指标和模型的构建较为合理,可以对管制员的情景意识进行准确的预测。

4.3 情景意识预测结果的可解释性分析

为了定量反映用于情景意识预测的各输入特征在模型中的影响程度,引入SHAP(shapley additive explanations)方法对构建的6个管制绩效指标进行解释性分析,并对其 SHAP 值进行了可视化对比输出。SHAP 值能够在保持模型精度的同时,解释每一个输入特征在特定预测结果中的重要性^[20]。特征基于重要度进行排列,重要度的表示方式为

$\sum _{i=1}^{N}\left|{\varphi }_{j}^{\left(i\right)}\right|$

,其中

${\varphi }_{j}^{\left(i\right)}$

为第i个特征量相对于情景意识的SHAP值。如图6所示不同的特征按照重要度从高到低的排列输出。

结果显示,不同特征对情景意识预测的贡献存在显著差异,部分指标在模型决策中发挥了主导作用,而其他指标则表现出相对较弱的影响力。总飞行里程和平均水平间距是对于情景意识预测精度影响最大的两个特征值。总飞行里程较短表示该管制员能够更精准地控制航空器进近着陆的轨迹,减少非必需的飞行距离;航空器之间合适的平均水平间距表明该管制员在保证最小安全间隔的基础上,同时保证了空域资源的合理利用。因此这两个管制绩效指标可以更好地体现出管制员的管制水平,从而可以作为有效预测情景意识的重要特征量。

4.4 基于实训航迹的外部验证与泛化评估

为验证提出的方法在真实训练情境中的有效性,选取某次实际进近雷达管制训练的复盘数据开展对照验证。所选训练扇区与该研究中的模拟场景一致,以保证场景与指标定义的一致性,避免因任务差异引入偏差。复盘数据包含训练过程记录的 4D 航迹与指令日志,并在训练过程中按与本文中一致的SAGAT冻结提问流程进行抽样采集;SAGAT 题项仍覆盖感知、理解与预测三个层级,采用在1.4节中描述的冻结屏幕显示无航班运行态的改进方式,得到每名被试在多时间点的SA正确/错误回答。随后依据式(10)将回答正确率与反应时归一化为SA量化分值,作为监督学习的目标值。基于第2节定义的总飞行里程、总平飞时间、总平飞距离、平均进近时间、平均水平间距和近距航迹点数量这6个管制效能指标,从真实训练的4D航迹中批处理提取,同时保证与模型训练时的特征空间完全一致。随后对指标进行标准化并与对应时刻的SA分值对齐,形成(X,Y)二维数据集用于训练与评估。采用与模拟实验相同的算法结构,搜索空间保持一致,并通过时间分块的交叉验证方案避免同一航班片段在训练/验证集交叉出现。同样将四种常用算法在相同真实数据上的表现进行对比,精度与拟合度对比如图7所示,提出的PSO-XGBoost算法仍保持0.942的最优精度。该结果与在模拟实验数据上的对比结论一致,证明了该模型的可迁移性与稳健性。

5 结论

经分析研究,得出如下结论。

(1)为准确测量管制员的情景意识水平,设计进近管制模拟实验场景和特定的航班飞行计划,基于SAGAT方法设计情景意识水平三级量化评估表,同时构建了6种管制绩效指标。将不同层级的SA量化数据进行重复测量方差分析,组间显著性水平p < 0.01,表明模拟实验设计的整体有效性。

(2)基于管制模拟实验的特性,提出一种改进PSO-XGBoost模型,以6种管制绩效指标为基础,对被试的情景意识进行预测,输出预测精度可达到97.17%,且预测模型的R²=0.904 3,表征模型预测的拟合效果更好。并将结果与三种常见的算法进行可视化输出对比,结果表明改进PSO-XGBoost模型对管制员情景意识的预测效果优于其他常见的算法,具有可行性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Endsley M R. Measurement of situation awareness in dynamic systems[J]. Human Factors, 1995, 37(1): 65-84.

[2]	Taylor R M. Situational awareness rating technique (SART): the development of a tool for aircrew systems design[M]. Neuilly-sur-Seine: Routledge, 2017: 111-128.

[3]	李慧, 朱培, 邵荃, 等. 基于决策树模型的管制员工作负荷检测[J]. 科学技术与工程, 2024, 24(20): 8790-8796.

[4]	Li Hui, Zhu Pei, Shao Quan, et al. Controller workload detection based on decision tree model[J]. Science Technology and Engineering, 2024, 24(20): 8790-8796.

[5]	杨新湦, 王茜. 管制员冲突解脱过程的眼动行为分析[J]. 科学技术与工程, 2018, 18(16): 306-311.

[6]	Yang Xinsheng, Wang Qian. Controller conlict resolution strategies based on real-time sight tracking[J]. Science Technology and Engineering, 2018, 18(16): 306-311.

[7]	靳慧斌, 刘亚威, 刘文辉, 等. 基于NNI注视指数的塔台管制员情景意识研究[J]. 科学技术与工程, 2016, 16(31): 1671-1815.

[8]	Jin Huibin, Liu Yawei, Liu Wenhui, et al. Study of tower controllers’ situation awareness based on NNI fixation index[J]. Science Technology and Engineering, 2016, 16(31): 1671-1815.

[9]	Endsley M R. A taxonomy of situation awareness er-rors[J]. Hu-man Factors in Aviation Operations, 1995, 3(2): 287-292.

[10]	张兆宁, 郝邈. 基于机器学习组合模型的远程塔台管制员情景意识水平[J]. 科学技术与工程, 2024, 24(27): 11928-11936.

[11]	Zhang Zhaoning, Hao Miao. Remote tower controllers' situational awareness level based on machine learning combinatorial modeling[J]. Science Technology and Engineering, 2024, 24(27): 11928-11936.

[12]	王燕青, 吴思雨, 杨可月. 应急情境下管制员情境意识可靠性研究[J]. 中国安全科学学报, 2024, 34(6): 207-215.

[13]	Wang Yanqing, Wu Siyu, Yang Keyue. Study on air traffic controllers' situational awareness reliability in emergency scenarios[J]. China Safety Science Journal, 2024, 34(6): 207-215.

[14]	刘双, 完颜笑如, 庄达民, 等. 基于注意资源分配的情境意识模型[J]. 北京航空航天大学学报, 2014, 40(8): 1066-1072.

[15]	Liu Shuang, Wanyan Xiaoru, Zhuang Damin, et al. Situational awareness model based on attention allocation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2014, 40(8): 1066-1072.

[16]	冯传宴, 完颜笑如, 刘双, 等. 不同脑力负荷水平下的情境意识研究[J]. 西北工业大学学报, 2020, 38(3): 610-618.

[17]	Feng Chuanyan, Wanyan Xiaoru, Liu Shuang, et al. Study on situation awareness under different mental workloads[J]. Journal of Northwestern Polytechnical University, 2020, 38(3): 610-618.

[18]	Endsley M R. A systematic review and meta-analysis of direct objective measures of situation aware-ness: a comparison of SAGAT and SPAM[J]. Human Factors, 2021, 63(1): 124-150.

[19]	Jones R E T, Connors E S, Endsley M R. A frame-work for representing agent and human situation awareness[C]// 2011 IEEE International Multi-disciplinary Conference on Cognitive Methods in Situation Awareness and Decision Support (CogSIMA). Piscataway: IEEE, 2011: 226-233.

[20]	Chen A. Augmented reality head-up displays for novice drivers[D]. New York: University Tandon School of Engineering, 2024.

[21]	Wu X, Feng C, Wanyan X, et al. Dynamic measurement of pilot situation awareness[C]// Engineering Psychology and Cognitive Ergonomics: Cognition and Design: 14th International Conference. Cham: Springer International Publishing, 2017: 306-316.

[22]	Gong L H, Ding W, Li Z, et al. Quantum k-nearest neighbor classification algorithm via a divide-and-conquer strategy[J]. Advanced Quantum Technologies, 2024, 7(6): 2300221.

[23]	Chen T, Guestrin C. XGboost: a scalable tree boosting system[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016: 785-794.

[24]	Marini F, Walczak B. Particle swarm optimization (PSO): a tutorial[J]. Chemometrics and Intelligent Laboratory Systems, 2015, 149: 153-165.

[25]	Endsley M R. Situation awareness misconceptions and misunderstandings[J]. Journal of Cognitive Engineering and Decision making, 2015, 9(1): 4-32.

[26]	Chi Y, Nie J, Zhong L, et al. A review of situational awareness in air traffic control[J]. IEEE Access, 2023, 11: 134040-134057.

[27]	Ibrahim L, Mesinovic M, Yang K W, et al. Explainable prediction of acute myocardial infarction using machine learning and shapley values[J]. IEEE Access, 2020, 8: 210410-210417.

基金资助

国家自然科学基金委员会-中国民用航空局民航联合研究基金(U2233208)

PDF (4807KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-24	2026-03-08	2025-12-17
Online Date
2026-07-09

摘要