基于歷史數據的管制員通信行為特征分析

叢 瑋，胡明華，王艷軍

(1. 南京航空航天大學民航學院 南京 211106; 2. 國家空管飛行流量管理技術重點實驗室 南京 211106)

基于歷史數據的管制員通信行為特征分析

叢 瑋1,2，胡明華1,2，王艷軍1,2

(1. 南京航空航天大學民航學院 南京 211106; 2. 國家空管飛行流量管理技術重點實驗室 南京 211106)

管制員的語音通信行為對空中交通的安全高效運行至關重要。借鑒人類動力學的理論和方法，深入分析了北京、上海、重慶和貴陽4個地區繁忙扇區的管制員語音通信數據，通過研究其時間分布特征挖掘了空中交通管制員的動力學行為。首先使用去趨勢波動分析法發現管制員通信間隔時間的長程相關性；然后使用最大似然估計法近似判別所有通信間隔時間較符合逆高斯分布，而通信時間間隔大于11 s的數據更符合冪律分布特征，且冪指數1.8α≈。分析結果表明，人類在面臨壓力時執行任務的動力學行為與其他日常行為相似，行為發生的間隔分布具有重尾特征，個體的分布具有差異性；管制扇區的類型，即區域管制扇區和進近管制扇區對管制員行為特征的影響不明顯。

空中交通管制; 通信行為; 重尾分布; 人類動力學; 長程相關

為便于管理，管制空域被劃分為若干個扇區。每個扇區通常配置1～2名管制員，使用唯一的頻道與飛行員進行語言通信。管制員與飛行員的通信(稱為陸空通信或陸空通話)必須清晰、簡潔，以確保交通運行的安全和高效。為了最大利用通信頻道的容量、減少曲解通話內容的風險，國際民航組織制定了標準的陸空通話用語。盡管空中交通管理系統的自動化程度與日俱增，但管制員將一直處于系統的核心。作為系統的決策者和執行者，管制員的行為與系統的安全、效率密切相關。除極少數管制扇區測試使用數據通信技術外，語音通信是大多數管制中心“管制員—飛行員”通信的主要方式。因此，管制員的語音通信行為對空管系統有著直接的影響。分析管制員通信數據已有較長的歷史，但過去的研究重點在于度量和預測工作負荷[1-5]，側重于分析通信行為和工作負荷的關系，忽略了通信行為本身的動力特征。文獻[6]對人類的書信通信行為和Email通信行為進行分析，發現人類日常行為時間分布與曾假設的泊松分布不同，具有重尾特征，可以用冪律分布描述。此后，越來越多的學者發現人類連續行為之間的間隔時間并不是隨機的，表現為在較長的非行為時期后頻繁出現[7-8]。研究發現，電子郵件、傳統信件、手機短信、手機通話等通信行為時間間隔特征均可通過冪律分布刻畫；圖書借閱、金融交易、網頁訪問、在線電影評級等社會日常行為也表現出重尾分布特性[9-22]。

盡管人類動力學的研究描述了大量行為，但對具有特定任務的行為卻缺乏相關數據驗證。管制員行為與一般行為相比有獨特性，如對環境的依賴性以及面臨巨大的時間壓力等。了解管制員行為的基本特征尤為重要。國外學者對陸空通信時間的特征分布進行了初步研究，發現陸空通信的時間間隔符合對數正態分布[23]。本文在前期研究工作的基礎上[24]，現場采集了北京、上海、重慶和貴陽4個地區部分繁忙管制扇區的管制通信數據，對管制員語音通信的時間行為模式進行深入的研究，研究結果對于分析管制員的行為、預防管制事故具有重要意義。

1 管制員行為分析

1.1 管制員行為的特征

管制員的行為具有以下3個其他人類行為不具備的明顯特征：

1) 依賴于工作環境。管制員的主要目標是確保航空器在滿足間隔標準的前提下安全到達目的地?？沼蚪Y構、運行程序和交通狀況都是影響管制員行為的客觀因素。因此從直覺上講，管制員的行為動力特征應是針對具體空域單元的，并取決于空域結構、程序和交通狀況。

2) 緊急性。管制員必須在不斷變化的運行環境中完成很多任務，并且任務的時間壓力大。稱職的管制員能夠在有限的時間內充分利用資源完成任務。因此管制員使用的工作策略決定了其行為。

3) 與飛行員的頻繁交互。先前的研究曾經根據指令內容將管制通信行為分類[4]，大部分通信內容都是與飛行員的交流。當飛行員與管制員通話后，管制員都會迅速回應。

1.2 管制員語音通信行為的定義

管制員的通信行為定義為：當管制員按下通話按鍵向飛行員發布指令后松開按鍵這一過程，并不考慮指令內容?？盏闹噶钜惨曌饕粋€完整的通信行為。如圖1所示。定義每個行為j的開始時間和結束時間那么可以得到行為的時間長度人類動力學研究中廣泛分析的兩個指標分別是事件間隔時間τ和響應時間τw(或等待時間)。在管制行為中，事件間隔時間是管制員連續兩次通話行為之間的時間間隔，響應時間是管制員與同一飛行員進行通話行為的時間間隔，本文只研究事件間隔時間。

2 通信行為特征分析

2.1 管制員語音通信數據

本文所用通信數據來自上海、北京、重慶和貴陽4個地區的部分繁忙管制扇區的錄音數據。通信時間數據現場采集于2012年5月22日～5月25日、6月12日～6月14日。數據共包含了81組練習，涉及13個扇區，約200個航班，每個地區的數據情況詳如表1所示。

每條通信記錄數據中均包含了通信對象、通信開始時間、通信時長、扇區類型、扇區名稱、航班號、記錄日期等信息，沒有記錄通信內容。

表1 通信數據信息

2.2 通信間隔時間序列的相關性

2.2.1 去趨勢波動分析法

采用去趨勢波動分析法(detrended fluctuation analysis，DFA)判斷通信間隔時間的自相似特征[25-28]。DFA廣泛用于不同領域，如金融、氣候、生理學等，用于定量分析不同隨機處理過程的統計特征。DFA方法可以較好地去除時間序列的局部趨勢，避免了將時間序列的短程相關、非平穩性虛假地檢測為長程相關性[25-26,28]。

假設時間序列為{xt,t=1,2,,N}，DFA分析方法的詳細步驟如下：

1) 計算xt的累計離差序列{yt,t=1,2,,N}：

2) 將時間序列yt劃分為Ns個不重疊的區間，區間的時間長度相同，均為s，Ns=[N/s](取整)。但時間序列的長度N不一定都是s的整數倍，因此該情況下會造成對時間序列的數據利用不完全。為了解決該問題，可對時間序列yt逆向采取相同操作，最終可得到長度為2Ns的區間。

3) 使用最小二乘法對每個區間r進行擬合，得到每個區間的局部趨勢，原時間序列去除對應的局部趨勢后的新的時間序列記為：

式中，yt(r)是區間r的擬合多項式。根據擬合多項式的次數，可分為一階DFA(DFA1)，二階DFA(DFA2)等。

4) 計算每個區間減去趨勢后的方差：

5) 對所有區間的rF取均方根：

通常，F(s)會隨著時間長度s的增大而增加。利用F(s)和s的雙對數形式log10F(s)∝?log10s，分析F(s)和s?的線性關系，可畫出?log10s?log10F(s)的散點圖，更加直觀地判斷時間序列是否具有長程記憶。根據?的數值區間，可以判斷時間序列的相關性。

1) 0

2) ?=0.5：表示時間序列是白噪聲序列，不相關；

3) 0.5

當5≤s≤N/2時，估計?。

2.2.2 分析結果

如圖2所示，上海、北京、重慶的數據點斜率接近，均在0.8左右，因此數據具有長程相關性。由于貴陽的通信記錄數據較少，所以可能導致管制員通信行為的相關性與其他3個地區相比不夠顯著，但斜率也在0.64左右。因此，管制員的通信行為是長程相關的。

圖2 通信時間的長程相關性

同時，為了進一步驗證管制員通信活動間隔時間的相關性，從個體層面對4個地區的通信間隔時間分布進行計算分析[29]。其中，上海地區共有12名管制員，相關性分布區間為0.55～0.85；北京地區也有12名管制員參與，相關性分布區間為0.51～0.78；重慶地區共有7名管制員，相關性分布區間為0.56～0.80；貴陽地區共有6名管制員，相關性分布區間為0.56～0.82。與群體層面相比，個體層面的相關性分布區間略大，但均大于0.5，可見個體層面的管制員通信間隔時間依然是長程相關的，與群體層面的相關性一致。

2.3 通信間隔時間分布

泊松分布被廣泛應用于多個領域內模擬隨機事件，如機場航班到達。人類動力學的研究則認為人的行為符合帶有重尾特征的冪律分布。事實上，直接符合冪律分布特征的經驗數據較少，在大多數情況下，只有大于臨界值的數據才符合冪律特征[30]。

基于人類動力學等眾多的研究基礎，可以進一步探索中國管制員通信間隔時間的分布規律。采取最大似然估計法估計間隔時間的分布類型。常用概率密度分布函數如表2所示。

表3中給出了4個地區數據的擬合結果。表中冪律分布擬合結果是基于文獻[31]所提出的方法。LR是對數似然函數值比例，可用于判斷擬合結果的優劣，其絕對值越小，擬合結果越好；是冪律分布函數擬合中時間間隔的臨界值；Prop是每組數據中大于的數據比例。觀察各個地區的估計結果，不同地區對于同一類型的分布參數擬合結果也較為一致，變化波動較小。而根據對數似然比可以發現，每個地區不同函數分布擬合結果的變化趨勢是一致的，冪律分布最優，逆高斯分布其次，泊松分布擬合效果最差。與文獻[30]的研究結果一致，每個地區只有大于臨界值的數據才能較好地符合冪律分布，而且大于臨界值的數據比例均較小(最大只有15%)，所以對于分析通信間隔時間的分布特征不具有普適性。故綜合考慮，近似認為逆高斯分布更能反映其分布特征。

表2 概率分布函數

表3 通信數據概率分布擬合結果

以管制員通信間隔時間τ和概率分布()Pτ為基礎，給出雙對數形式分布圖，如圖3所示。從圖中可見，數據分布形式基本符合逆高斯分布的特點，并且通信行為確實呈現了重尾模式。

對管制員與飛行員的通信時長進行統計發現，管制員完成一次完整的通信需要11 s，包括管制員發出指令和監聽飛行員的復誦[1]。而在所有81組數據中，最長通信時間間隔為240 s時，其累積概率為99.862 7%，幾乎覆蓋了所有間隔時間數據。因此，選取通信間隔在11～240 s范圍內的數據再次進行冪律分布擬合，結果如圖3中斜率為－1.8直線所示，表明在所選時間范圍內的時間間隔分布可用冪律分布表示。

圖3 通信間隔時間概率分布雙對數圖

圖4 不同類型扇區通信數據對比

人類動力學的最近研究報告指出，人類通信行為的經驗數據和仿真數據還會呈現雙峰分布，并不只是單一形式的冪分布[8]。與文獻[6]模型的重大區別在于，研究認為除了基于優先級的排隊決策外，隨機泊松處理過程、個體之間的交互等也都導致了人類動力學的重尾特征。因此，管制員在工作時會基于航班的優先級指揮機組，即與飛行員通信，也會與協調管制員、其他扇區的管制員形成交互，而自身的通話也具有一定的相關性，故符合重尾特征十分合理。

表4 區域扇區通信數據概率分布擬合結果

表5 進近扇區通信數據概率分布擬合結果

為了進一步分析不同管制扇區類型對管制員通信行為的影響，將每個地區的管制員通信數據根據扇區類型繼續分為兩類，分別用最大似然估計分析區域扇區和進近扇區中通信間隔時間的分布特征。分析結果如表4和表5所示。

北京地區通信數據中沒有進近扇區，故不在表5中列出。將表4、表5的結果與表3進行對比，發現不同扇區類型對結果并未產生明顯的影響，各地區區域扇區和進近扇區的通信行為分布特征與不區分扇區類型時的結果較為吻合，分布規律類似。為了更為形象地說明，選取上海地區的全部通信數據、區域扇區管制員的通信數據、進近扇區管制員的通信數據，在雙對數坐標中畫出其通信間隔時間的分布，如圖4所示。通信間隔時間在11～240 s范圍內的數據冪律擬合的斜率為－1.92，與圖3中擬合結果α相差不大，表明不同扇區類型并未對通信行為產生顯著影響。

3 結 論

對于歷史數據的調查分析有助于發現人類行為的顯著統計特征，量化理解人類行為背后隱藏的機制。本文首先闡述了管制員通信行為的基本特征；其次使用去趨勢分析法證實了管制員通信行為長程相關性；最終分析可知管制員的通信行為具有類似人類日常行為的重尾特性，但也具有其獨特的分布特征。

未來的航空運輸系統將會涌現越來越多的先進技術和運行概念，如基于航跡的運行、4維航跡管理等。新的空管系統將更加安全高效，但管制員在系統中的地位和作用依然重要。本文采用基于數據驅動的研究方法來分析管制員的行為，是對空管系統動力學一種新的認識途徑，同時，也是對人類動力學研究的一類補充，對于理解和預測管制員的行為、保障空管系統的安全高效運行具有十分重要的意義。

[1] CARDOSI K. Time required for transmission of time-critical air traffic control messages in an en route environment[J]. International Journal of Aviation Psychology, 1993, 3: 303-313.

[2] CORKER K M, GORE B F, FLEMING K, et al. Free flight and the context of control: experiments and modeling to determine the impact of distributed air-ground air traffic management on safety and procedures[C]//3rd USA/Europe Air Traffic Management R&D Seminar. Naples: [s.n.], 2000.

[3] MANNING C, MILLS S H, FOX C M, et al. Using air traffic control taskload measures and communication events to predict subjective workload[R]. Washington: Federal Aviation Administration, 2002.

[4] MANNING C, FOX C, PFLEIDERER E. Relationships between measures of air traffic controller voice communications, taskload, and traffic complexity[C]//5th USA/Europe Air Traffic Management R&D Seminar. Budapest: [s.n.], 2003.

[5] MANNING C, PFLEIDERER E. Relationship of sector activity and sector complexity to air traffic controller taskload[R]. Oklahoma, Fedral Aviation Administration, Civil Aerospace Medical Institute, DOT/FAA/AM-06/29, 2006.

[6] BARABASI A L. The origin of bursts and heavy tails in human dynamics[J]. Nature, 2005, 435: 207-211.

[7] MALMGREN R D, STOUFFER D B, CAMPANHARO A,et al. On universality in human correspondence activity[J]. Science, 2009, 325(5948): 1696-1700.

[8] WU Y, ZHOU C, XIAO J, et al. Evidence for a bimodal distribution in human communication[J]. Proceedings of the National Academy of Sciences, 2010, 107(44): 18803-18808.

[9] OLIVEIRA J G, BARABASI A L. Human dynamics: darwin and einstein correspondence patterns[J]. Nature, 2005(437): 1251.

[10] MALMGREN R D, STOUFFER D B, MOTTER A E, et al. A poissonian explanation for heavy tails in e-mail communication[J]. Proceedings of the National Academy of Sciences, 2008, 105(47): 18153-18158.

[11] HARDER U, PACZUSKI M. Correlated dynamics in human printing behavior[J]. Physica A: Statistical Mechanics and its Applications, 2006, 361(1): 329-336.

[12] ZHOU T, KIET H, KIM J B, et al. Role of activity in human dynamics[J]. Europhysics Letters, 2008, 82(2): 28002.1-28002.5.

[13] GONZALEZ M C, HIDALGO C A, BARABASI A L. Understanding individual human mobility patterns[J]. Nature, 2008(453): 779-782.

[14] ZHAO Z D, XIA H, SHANG M S, et al. Empirical analysis on the human dynamics of a large-scale short message communication system[J]. Chin Phys Lett, 2011, 28(6): 068901.

[15] WUCHTY S, UZZI B. Human communication dynamics in digital footsteps: a study of the agreement between selfreported ties and email networks[J]. Plos One, 2011, 6(11): e26972.1- e26972.8.

[16] KAN A, CHAN J, HAYES C, et al. A time decoupling approach for studying forum dynamics[J]. World Wide Web, 2012, 1(1): 1-26.

[17] 周濤, 韓筱璞, 閆小勇, 等. 人類行為時空特性的統計力學[J]. 電子科技大學學報, 2013, 42(4): 481-540. ZHOU Tao, HAN Xiao-pu, YAN Xiao-yong, et al. Statistical mechanics on temporal and spatial activities of human[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 481-540.

[18] WANG P, LEI T, YEUNG C H, et al. Heterogenous human dynamics in intra-and inter-day time scales[J]. Europhys Lett, 2011, 94(1): 18005.

[19] 周濤. 在線電影點播中的人類動力學模式[J]. 復雜系統與復雜性科學, 2008, 5(1): 1-5. ZHOU Tao. Human activity pattern on on-line movie watching[J]. Complex Systems and Complexity Science, 2008, 5(1): 1-5.

[20] 韓筱璞, 汪秉宏, 周濤. 人類行為動力學研究[J]. 復雜系統與復雜性科學, 2010, 7(2-3), 132-144. Han Xiao-pu, WANG Bing-hong, ZHOU Tao. Researches of human dynamics[J]. Complex Systems and Complexity Science, 2010, 7(2-3): 132-144.

[21] 李楠楠, 周濤, 張寧. 人類動力學基本概念與實證分析[J]. 復雜系統與復雜性科學, 2008, 5(2): 16-24. LI Nan-nan, ZHOU Tao, ZHANG Ning. Concept and empirical results of human dynamics[J]. Complex Systems and Complexity Science, 2008, 5(2): 16-24.

[22] ZHAO Z D, ZHOU T. Empirical analysis of online human dynamics[J]. Physica A, 2012, 391(11): 3308-3315.

[23] POPESCU V, AUGRIS H, FEIGH K M. A stochastic model for air traffic control radio channel utilization[C]// 4th International Conference on Research in Air Transportation. Budapest: [s.n.], 2010.

[24] YAN J W, FRIZO V, MING H H, et al. Empirical analysis of air traffic controller dynamics[J]. Transportation Research Part C: Emerging Technologies, 2013(33): 203-213.

[25] KANTELHARDT J W, KOSCIELNY-BUNDE E, REGO H, et al. Detecting long-range correlations with detrended fluctuation analysis[J]. Physica A: Statistical Mechanics and Its Applications, 2001, 295(3): 441-454.

[26] KANTELHARDT J W, ZSCHIEGNER S A, KOSCIELNY-BUNDE E, et al. Multifractal detrended fluctuation analysis of nonstationary time series[J]. Physica A: Statistical Mechanics and Its Applications, 2002, 316(1-4): 87-114.

[27] PENG C K, BULDYREV S V, HAVLIN S, et al. Mosaic organization of DNA nucleotides[J]. Physical Review E, 1994, 49(2): 1685-1689.

[28] 吳建軍, 徐尚義, 孫會君. 混合交通流時間序列的去趨勢波動分析[J]. 物理學報, 2011, 60(1): 019502.1-019502.7. WU Jian-jun, XU Shang-yi, SUN Hui-jun. Detrended fluctuation analysis of time series in mixed traffic flow[J]. Acta Phys Sin, 2011, 60(1): 019502.1-019502.7.

[29] ZHAO Z D, CAI S M, HUANG J M, et al. Scaling behavior owf online human activity[J]. Europhysics Letters, 2012, 100(4): 48004.

[30] MITZENMACHER M. A brief history of generative models for power law and lognormal distributions[J]. Internet Mathematics, 2004, 1: 226-251.

[31] CLAUSET A, SHALIZI C R, NEWMAN, M E J. Power-law distributions in empirical data[J]. SIAM Review, 2009(51): 661-703.

編輯稅 紅

Temporal Characteristics of Air Traffic Controller’s Communication Activities

CONG Wei1,2, HU Ming-hua1,2, and WANG Yan-jun1,2
(1. College of Civil Aviation, Nanjing University of Aeronautics and Astronautics Nanjing 211106; 2. National Key Laboratory of Air Traffic Flow Management Nanjing 211106)

The voice communication of air traffic controllers is critical to the operating safety and efficiency of an air traffic management system. Based on the previous human dynamics studies, air traffic controller’s voice communication data, which were collected from Beijing, Shanghai, Chongqing and Guiyang, are carefully analyzed. The use of detrended fluctuation analysis finds that controller’s communications are long-rang correlated. Five typical statistical models are used to model the inter-communication times of controller. The parameters of the models are estimated by the means of maximum likelihood estimation. Our results show that although the inverse Gaussian distribution is better to describe all the inter-communication data approximately, the inter-communication data that fall between 11 seconds and 240 seconds can be better described by the power-law distribution with exponent α ≈ 1.8. Comparisons on the data from en route sectors and approach sectors further shows that there is little difference on the power-law distributions, indicating that sector types has little impact on air traffic controller’s communication activities.

air traffic control; communication behavior; heavy-tailed distribution; human dynamics; long-range correlation

TP13; U8

A doi:10.3969/j.issn.1001-0548.2015.04.024

2014 ? 03 ? 26；

2014 ? 09 ? 05

國家自然科學基金(61304190)；江蘇省自然科學基金(SBK201343292)

叢瑋(1988 ? )，男，博士生，主要從事空中交通復雜特征分析、管制員動力學行為分析等方面的研究.