基于BP神經(jīng)網(wǎng)絡(luò)的扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測

岳仁田，劉敬軒，趙嶷飛，肖瞳瞳，韓亞雄

(中國民航大學空中交通管理學院，天津 300300)

近年來，我國航空運輸業(yè)呈現(xiàn)出高速發(fā)展的態(tài)勢，隨著交通需求的增長，空管系統(tǒng)經(jīng)常以超負荷狀態(tài)運行，雖然沒有導致事故的發(fā)生，但不代表其狀態(tài)是完全健康的。超負荷運行的空管系統(tǒng)實際上處于波動的亞健康狀態(tài)，此時它的抗干擾能力和處理突發(fā)狀況的能力下降，逐漸積累的安全隱患最終會導致事故的發(fā)生。因此，研究對空管運行亞健康狀態(tài)進行科學評估的方法，從而采取預(yù)防亞健康狀態(tài)向故障態(tài)轉(zhuǎn)變的措施，對避免不安全事件的發(fā)生具有十分重要的意義，而空管運行亞健康狀態(tài)評估和預(yù)測的首要一步是對空管運行亞健康關(guān)聯(lián)因子進行預(yù)測。

目前，對空管運行狀態(tài)安全風險的研究主要集中在空中交通流、空域容量參數(shù)以及空管運行安全風險評價體系等方面。如：2000年，Delahaye等[1]根據(jù)構(gòu)建的扇區(qū)內(nèi)交通流狀態(tài)指標從幾何學角度對空域擁擠狀況進行了描述；2006年，Mulgund等[2]基于空中交通需求與空域容量的定量關(guān)系定義了“擁擠風險”的概念；2007年，Stamatelatos[3]利用貝葉斯定理，通過故障樹建模和不確定分析對空管運行狀態(tài)安全風險進行了評價和預(yù)測；2011年，Vismari等[4]運用流體隨機Petri網(wǎng)對空中交通安全狀態(tài)進行了評價；2013年，梁曼等[5]在分析空管人為因素時將組織因素納入SHELL模型，組成SHELLO模型，并利用貝葉斯網(wǎng)絡(luò)構(gòu)建了事故的致因關(guān)系；2013年，張建平等[6]基于BP網(wǎng)絡(luò)模型給出空管運行品質(zhì)分類評價的人工智能方法，通過與主成分分析法的對比，說明了BP網(wǎng)絡(luò)評價方法的評價效果相對更好；2014年，趙嶷飛等[7]通過建立占有因子、溢出因子、飽和因子三個描述性指標，對扇區(qū)空管運行狀態(tài)進行了評估；2015年，Donald[8]采用內(nèi)容分析、聚類分析和多元邏輯回歸分析等方法，對影響空管安全的因素進行了研究；2015年，張兆寧等[9]運用耗散結(jié)構(gòu)中的熵值理論研究了進近管制系統(tǒng)的風險性，證明了灰色關(guān)聯(lián)熵能夠揭示進近管制系統(tǒng)風險性增減變化的規(guī)律；2016年，張豫翔等[10]在模糊層次分析法的基礎(chǔ)上結(jié)合云模型對空管迫降風險進行了評估；2018年，張亮[11]建立了管制扇區(qū)運行風險的博弈論集對(GT-SPA)耦合評價模型，對樣本扇區(qū)安全運行風險等級進行了評估，提高了空管安全系統(tǒng)風險評估的準確性。

總體來說，國內(nèi)外學者在空管運行狀態(tài)安全風險評估方面進行了嘗試并取得了階段性的成果，但是由于空管系統(tǒng)的復(fù)雜性，目前的研究缺少對扇區(qū)空管運行狀態(tài)的細致描述，未能有效結(jié)合空管運行過程中的關(guān)聯(lián)因子，不能夠體現(xiàn)事故征候前的臨界時期。因此，本文根據(jù)空管運行狀態(tài)影響因素的相互關(guān)系，構(gòu)建了扇區(qū)繁忙時段BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對扇區(qū)空管運行亞健康關(guān)聯(lián)因子進行預(yù)測，并通過結(jié)果分析來判定扇區(qū)空管運行的狀態(tài)。

1 扇區(qū)空管運行亞健康關(guān)聯(lián)因子的提出及分類

空管系統(tǒng)運行由空中交通流、空中交通管制和外部資源環(huán)境等組成[12]，而扇區(qū)空管運行亞健康關(guān)聯(lián)因子是與扇區(qū)空管運行狀態(tài)轉(zhuǎn)變有關(guān)的最基本要素。與安全風險因子相同，扇區(qū)空管運行亞健康關(guān)聯(lián)因子從“人機環(huán)管”角度進行分類，可以反映扇區(qū)空管運行的狀態(tài)，但是安全風險因子主要用來評估事故征候及事故發(fā)生時系統(tǒng)運行的狀態(tài)，此時系統(tǒng)的故障程度已經(jīng)較嚴重，而利用亞健康關(guān)聯(lián)因子可以提早預(yù)測出系統(tǒng)發(fā)生故障的趨勢，從而可以進行相應(yīng)的調(diào)整，避免事故征候的發(fā)生。

扇區(qū)空管運行亞健康關(guān)聯(lián)因子依托于空管運行大數(shù)據(jù)，包含交通流的空間時間分布、間隔狀況、管制員工作負荷等具有內(nèi)在關(guān)聯(lián)性的指標，它們是通過提取區(qū)域管制的大量雷達數(shù)據(jù)，經(jīng)計算得出的能夠直觀反映扇區(qū)空管運行狀態(tài)的全新診斷指標，利用這些指標可以對扇區(qū)空管運行安全風險臨界狀態(tài)進行定性和定量研究。此外，針對表面單一風險因素致因事件，通過深層剖析亞健康關(guān)聯(lián)因子間的相互關(guān)聯(lián)性，可以準確預(yù)測風險。亞健康關(guān)聯(lián)因子指標的選取是BP神經(jīng)網(wǎng)絡(luò)預(yù)測的基礎(chǔ)，根據(jù)它們的類型可做如下分類：

空中交通流層面：航線交通量、航線交通特性(空間、時間分布不均衡度)、交通繁忙時段、交通流密度、航空器在扇區(qū)內(nèi)的平均飛行時間……

空中交通管制層面：管制技能水平情況、工作負荷情況、管制間隔大小情況、與相鄰管制單位移交協(xié)調(diào)情況……

外部資源環(huán)境層面：扇區(qū)形狀、扇區(qū)結(jié)構(gòu)、航路長度、地形及障礙物、導航設(shè)施工作狀態(tài)、惡劣天氣、軍航活動……

由于亞健康關(guān)聯(lián)因子分屬反映扇區(qū)空管運行狀態(tài)的不同層面，都具有一定的獨立性，為了進行BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用，本文選取了部分有內(nèi)在關(guān)聯(lián)性的主要因素進行算例演示。

2 扇區(qū)空管運行亞健康關(guān)聯(lián)因子指標選取及設(shè)計

2. 1 關(guān)聯(lián)因子指標選取

短期內(nèi)，扇區(qū)空中交通流在各航段分布的模式是保持不變的，其空間分布會直接影響到扇區(qū)空管運行的狀態(tài)，而空中交通管制員是空管系統(tǒng)運行的核心，那么可以從空中交通流的空間分布和管制員工作兩方面提取合適的指標，來進行扇區(qū)空管運行亞健康關(guān)聯(lián)因子的計算。管制員工作負荷是扇區(qū)空管運行狀態(tài)人為影響因素中的關(guān)鍵組成部分，可以作為扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測的指標，而扇區(qū)內(nèi)管制員的工作負荷受交通量空間、時間分布的直接影響，亞健康關(guān)聯(lián)因子中衡量交通量空間、時間分布且具有內(nèi)在關(guān)聯(lián)性的主要指標有航空器平均飛行時間、交通流超容比、交通流空間分布不均衡度、交通流瞬時超容率，它們在研究時段內(nèi)變化大、易于統(tǒng)計和計算，因此可以選擇這些亞鍵康關(guān)聯(lián)因子指標對管制員工作負荷進行預(yù)測。

2. 2 關(guān)聯(lián)因子指標設(shè)計

2.2.1 交通流超容比

空中交通流在扇區(qū)內(nèi)的繁忙情況可以通過計算超容比來定義。超容比能夠反映交通流在時間片內(nèi)的變化，它是指扇區(qū)內(nèi)超過其運行容量的航班服務(wù)架次占運行容量的比率[13]，其計算公式如下：

(1)

式中:R為交通流超容比(無量綱);Q為扇區(qū)的航班服務(wù)架次(架)；P為扇區(qū)運行容量(架)。

2.2.2 交通流空間分布不均衡度

扇區(qū)空中交通流的空間分布均勻程度直接影響空管系統(tǒng)運行的品質(zhì)，因此交通流空間分布不均衡度能夠作為扇區(qū)亞健康關(guān)聯(lián)因子預(yù)測研究的重要指標，它是指單位時間內(nèi)不同航段個體之間所服務(wù)航班架次的差異，可以利用基尼系數(shù)進行定量表示[13]。基尼系數(shù)是判斷分配平等程度的指標，該指標由洛倫茨曲線(見圖1)可以推導得到，其計算公式如下：

(2)

式中：G為基尼系數(shù)；A為洛倫茨曲線和絕對平均線(45°線)之間的區(qū)域面積；B為洛倫茨曲線以下的區(qū)域面積。

圖1 洛倫茨曲線Fig.1 Lorentz curves

圖1中，若A為0，則基尼系數(shù)為0，表示交通流空間分布完全均衡；若B為0，則基尼系數(shù)為1，表示交通流空間分布絕對不均衡，即完全失調(diào)。交通流空間分布越是趨向均衡，洛倫茨曲線的弧度越小，基尼系數(shù)也越小；反之，交通流空間分布越是趨向失調(diào)，洛倫茨曲線的弧度越大，基尼系數(shù)也越大。本文以扇區(qū)內(nèi)航班服務(wù)架次累計百分比作為縱坐標，以航路里程累計百分比作為橫坐標，運用Matlab軟件計算各時間片內(nèi)的基尼系數(shù)。

2.2.3 交通流瞬時超容率

扇區(qū)空中交通流的微觀特性可以通過計算其瞬時超容比來進行定量分析，它能夠?qū)崟r地反映單位時間內(nèi)扇區(qū)空管運行的狀態(tài)：若交通流瞬時超容比的值大于0，則單位時間內(nèi)的扇區(qū)流量超容。本文以15 min作為一個時間片進行研究，交通流瞬時超容比大于0的分鐘數(shù)占研究區(qū)間的比例越大，即瞬時超容率越大，說明扇區(qū)空管運行狀態(tài)越差。交通流瞬時超容率指標的計算公式如下：

(3)

(4)

式中:Si為第imin的瞬時超容比(無量綱)，i=1,2,…,15;Qi為第imin航班服務(wù)架次(架)，i=1,2,…,15;QMAP為與監(jiān)控警告參數(shù)MAP數(shù)值相等的扇區(qū)容量(架)；l為交通流瞬時超容率(無量綱)；j為交通流瞬時超容比大于0的分鐘數(shù)(min)。

其中，監(jiān)控警告參數(shù)(MAP)的計算公式如下：

(5)

式中:T為航空器扇區(qū)平均飛行時間(min);τ為單位時間管制員工作負荷(min),本文暫取人為因素專家制定的數(shù)值，即0.6 min。

2.2.4 管制員工作負荷

管制員工作負荷是扇區(qū)空管運行呈亞健康狀態(tài)的主要致因成分，因此可以作為扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測的指標。管制員工作負荷分為看得見的負荷和看不見的負荷，在此主要研究看得見的負荷。本文將管制員工作負荷定義為管制通話時間和設(shè)備操作時間的總和[14]。此外，本文選取相關(guān)研究建立完成的廈門1號扇區(qū)的管制員工作負荷模型進行管制員工作負荷指標運算[15]，其計算公式如下：

W=0.057Q3-2.604Q2+53.73Q-52.76

(6)

式中:W為管制員工作負荷(s)；Q為時間片內(nèi)扇區(qū)航班服務(wù)架次(架)。

時間片內(nèi)每架航空器平均管制工作負荷計算公式如下：

(7)

3 扇區(qū)空管運行亞健康關(guān)聯(lián)因子的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)可以學習和儲存大量輸入-輸出模式映射關(guān)系，且不需要事前揭示描述這種映射關(guān)系的數(shù)學方程，因此根據(jù)扇區(qū)特點及空管運行情況，在分析扇區(qū)空管運行亞健康關(guān)聯(lián)因子之間關(guān)系的基礎(chǔ)上，通過建立完整的BP神經(jīng)網(wǎng)絡(luò)，可以進行較高精度的預(yù)測研究。扇區(qū)空管運行亞健康關(guān)聯(lián)因子的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建主要包括以下6個步驟[16]：

(1) 樣本數(shù)據(jù)歸一化處理。扇區(qū)空管亞健康關(guān)聯(lián)因子各指標具有不同的量綱和單位，會導致BP神經(jīng)網(wǎng)絡(luò)收斂速度慢，訓練時間延長，從而影響數(shù)據(jù)分析的結(jié)果。為了解決數(shù)據(jù)指標之間的可比性，需要對所有樣本數(shù)據(jù)進行歸一化處理。通常采用最大-最小標準化算法將數(shù)據(jù)進行歸一化處理，把原始值映射到特定區(qū)間內(nèi)，其計算公式如下：

(8)

(2) 網(wǎng)絡(luò)初始化。選取指標作為網(wǎng)絡(luò)結(jié)構(gòu)的輸入與輸出，若有n個輸入指標、m個輸出指標，則輸入層神經(jīng)元節(jié)點數(shù)為n、輸出層神經(jīng)元節(jié)點數(shù)為m。隱含層神經(jīng)元節(jié)點數(shù)根據(jù)以下常用的經(jīng)驗公式得到：

(9)

式中:n為輸入層神經(jīng)元節(jié)點數(shù)；m為輸出層神經(jīng)元節(jié)點數(shù);p為隱含層神經(jīng)元節(jié)點數(shù);a為[1,10]之間的常數(shù)。

(3) 訓練參數(shù)的設(shè)定。為了提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，需要設(shè)置合適的訓練參數(shù)，常用的訓練參數(shù)有最大迭代次數(shù)、學習速率、訓練要求精度、動量系數(shù)、動態(tài)參數(shù)等。

(4) 隱含層傳遞函數(shù)的選擇。BP神經(jīng)網(wǎng)絡(luò)一般使用Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)，Sigmoid函數(shù)根據(jù)輸出值的取值范圍分為對數(shù)S型函數(shù)(Log-sigmoid)和雙曲正切S型函數(shù)(Tan-sigmoid)，它們分別可由如下公式確定：

(10)

(11)

(5) 網(wǎng)絡(luò)訓練。對歸一化后的輸入樣本矢量集、目標樣本矢量集進行網(wǎng)絡(luò)訓練。

(6) 網(wǎng)絡(luò)仿真。將需要預(yù)測的目標數(shù)據(jù)放入到訓練成功的神經(jīng)網(wǎng)絡(luò)中，輸出預(yù)測結(jié)果。

4 實例驗證與分析

4. 1 數(shù)據(jù)來源

為了直觀地展現(xiàn)扇區(qū)亞健康關(guān)聯(lián)因子的預(yù)測過程，本文利用廈門1號扇區(qū)2013年10月1日08∶00—13∶00時段的實際運行雷達數(shù)據(jù)進行相關(guān)運算，已知廈門1號扇區(qū)公布的運行容量為11架次/15 min，同時為了精確統(tǒng)計扇區(qū)航班服務(wù)架次、航空器扇區(qū)平均飛行時間，所以將15 min作為一個時間片進行研究。在2013年10月1日11∶15—11∶30時間片內(nèi)，航班流量為6架/15 min，未達到運行容量，為保證計算精度，剔除這一時段數(shù)據(jù)，對剩余19個時間片進行研究，見表1。

表1 廈門1號扇區(qū)部分統(tǒng)計數(shù)據(jù)

4. 2 扇區(qū)關(guān)聯(lián)因子指標計算

本文利用表1中廈門1號扇區(qū)的數(shù)據(jù)，根據(jù)公式(1)～(7)計算各時間片內(nèi)該扇區(qū)亞健康關(guān)聯(lián)因子指標的數(shù)值，即交通流超容比、交通流空間分布不均衡度、交通流瞬時超容率、每架航空器平均管制工作負荷，其計算結(jié)果見表2。

表2 各時間片內(nèi)廈門1號扇區(qū)亞健康關(guān)聯(lián)因子指標 計算結(jié)果

4.3 基于BP神經(jīng)網(wǎng)絡(luò)模型的扇區(qū)亞健康關(guān)聯(lián)因子預(yù)測

4.3.1 數(shù)據(jù)歸一化處理

本文將表2中的廈門1號扇區(qū)相關(guān)指標的計算結(jié)果采用最大-最小標準化算法進行歸一化處理，以08∶15—08∶30時間片中的航空器扇區(qū)平行飛行時間(T=7 min)為例，所有時間片中10∶15—10∶30的航空器扇區(qū)平均飛行時間數(shù)值最大，時間片12∶00—12∶15的數(shù)值最小，即Tmax=9 min，Tmin=4 min，而T=7 min，那么T′=(7-4)/(9-4)=0.6。所有時間片該扇區(qū)相關(guān)指標的歸一化處理結(jié)果見表3。

表3 各時間片內(nèi)廈門1號扇區(qū)亞健康關(guān)聯(lián)因子指標 歸一化處理結(jié)果

4.3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

本文將表3中的廈門1號扇區(qū)相關(guān)指標歸一化處理結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。以每架航空器平均管制工作負荷作為果變量y，航空器扇區(qū)平均飛行時間、交通流超容比、交通流空間分布不均衡度、交通流瞬時超容率構(gòu)成因變量集合{x1,x2,x3,x4}，運用BP神經(jīng)網(wǎng)絡(luò)進行扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測。因變量集合中有4個指標，則輸入層神經(jīng)元節(jié)點數(shù)為4；果變量只有一個指標，則輸出層神經(jīng)元節(jié)點數(shù)為1；由公式(9)計算得出隱含層神經(jīng)元節(jié)點數(shù)在4至13之間，最終由實驗法選擇最佳隱含層神經(jīng)元節(jié)點數(shù)為7。以三隱含層BP神經(jīng)網(wǎng)絡(luò)進行扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測模型的構(gòu)建，得到三隱含層4×7×1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測模型，見圖2。

圖2 三隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測模型Fig.2 Prediction model of BP neural network with three hidden layers

將表3中前15組的歸一化后數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，訓練形成穩(wěn)定的模型結(jié)構(gòu)，并設(shè)定網(wǎng)絡(luò)隱含層激勵函數(shù)為雙曲正切S型函數(shù)(Tan-sigmoid)，輸出層激勵函數(shù)為線性函數(shù)，網(wǎng)絡(luò)訓練函數(shù)為traingdx，網(wǎng)絡(luò)性能函數(shù)為mse。設(shè)置網(wǎng)絡(luò)參數(shù)：網(wǎng)絡(luò)迭代次數(shù)epochs為5 000次，期望誤差goal為0.000 01，學習速率lr為0.01。

從表3中選取第16至18組的歸一化后數(shù)據(jù)作為驗證數(shù)據(jù)，分析BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的誤差精度，并利用Matlab程序?qū)τ柧毢玫腂P神經(jīng)網(wǎng)絡(luò)模型進行分析計算，將得到的三個時間片的預(yù)測結(jié)果進行反歸一化，其結(jié)果見表4。

表4 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果和預(yù)測誤差

由表4可知，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實際值的相對誤差低于3%，說明該BP神經(jīng)網(wǎng)絡(luò)模型可以滿足扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測的應(yīng)用要求。

對表3中最后一組數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡(luò)模擬仿真，其網(wǎng)絡(luò)訓練誤差結(jié)果見圖3。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓練誤差結(jié)果圖Fig.3 Training error result of the BP neural network

由圖3可見，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過約133步的訓練模擬達到設(shè)定的精度要求0.000 01，說明該網(wǎng)絡(luò)收斂速度較快。

4.3.3 結(jié)果分析與討論

BP神經(jīng)網(wǎng)絡(luò)模擬的輸出結(jié)果顯示第19組數(shù)據(jù)12∶45—13∶00時間片的預(yù)測值為0.48，反歸一化得到預(yù)測值為24.32，即每架航空器平均管制工作負荷是24.32 s。相關(guān)研究表明，基于管制員工作負荷的容量評估中負荷閾值的取值范圍為60%～80%，超過該范圍，空域碰撞風險水平急劇上升[15]，所以每架航空器平均管制工作負荷必須小于最高負荷的80%。管制負荷百分比的計算公式如下：

(12)

式中:ω為管制負荷百分比(%)；Wmax為管制員最高工作負荷(s)。

經(jīng)過多位專家分析評定，管制負荷百分比在55%以下時，管制員工作壓力較小而感到輕松；管制負荷百分比在55%～65%時，管制員感受到壓力但能保持常態(tài)化工作狀態(tài)；當大量航班進入扇區(qū)，管制員感到較大壓力，管制負荷百分比在65%～75%時，此時若還存在交叉、匯聚趨勢的特殊運行航班，管制員的緊張度增加；管制負荷百分比在75%以上時，管制員高度緊張，事故征侯發(fā)生。因此，根據(jù)管制負荷百分比的數(shù)值可將扇區(qū)空管運行狀態(tài)預(yù)警等級設(shè)定為4級，見表5。

表5 扇區(qū)空管運行狀態(tài)預(yù)警等級

已知在12∶59—13∶00時間片中扇區(qū)航班服務(wù)數(shù)量為7架次，是第19組時間片內(nèi)的最大值，此時管制員工作負荷最高，由公式(6)計算得出管制員最高工作負荷為215.31 s。因此，預(yù)測得到的每架航空器平均管制工作負荷占管制員最高負荷的百分比由公式(12)計算得到結(jié)果為11.30%，在55%以下，認為這一時間段內(nèi)扇區(qū)空管運行處于健康狀態(tài)，不需要采取措施進行干預(yù)。扇區(qū)空管運行狀態(tài)在預(yù)警等級Ⅱ時，也可以不采取預(yù)控措施，但應(yīng)引起注意，防止亞健康狀態(tài)向故障態(tài)變化。當扇區(qū)空管運行狀態(tài)在預(yù)警等級Ⅲ、Ⅳ時，應(yīng)采取相應(yīng)的措施，如：發(fā)布流量控制通知，限制其他航班進入扇區(qū)；進行換崗，嚴格調(diào)整執(zhí)勤人數(shù)和時間；當有惡劣天氣等特殊情況出現(xiàn)，應(yīng)請求帶班主任的幫助。

5 結(jié) 論

本文從各層面考慮了各類型的扇區(qū)空管運行亞健康關(guān)聯(lián)因子，從中選取有內(nèi)在聯(lián)系的客觀性指標進行BP神經(jīng)網(wǎng)絡(luò)的預(yù)測，消除了主觀賦值的誤差。對廈門1號扇區(qū)空中交通流實際運行雷達數(shù)據(jù)進行了標準化處理，消除了指標間的量綱影響，有助于提高BP神經(jīng)網(wǎng)絡(luò)運算的準確性。構(gòu)建的三隱含層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測模型經(jīng)實例檢驗?zāi)軌蛘鎸嵉胤从成葏^(qū)的運行狀態(tài)，表明該模型在實際應(yīng)用中具有可行性。

扇區(qū)空管運行亞健康關(guān)聯(lián)因子的預(yù)測能夠針對空中交通流的微觀特性、管制員工作負荷等方面進行定性和定量的研究，為扇區(qū)空管運行狀態(tài)的預(yù)估奠定了基礎(chǔ)，有利于將亞健康理論應(yīng)用到空管安全管理中，實現(xiàn)由事后調(diào)查處理向事前預(yù)警防范的轉(zhuǎn)變。