機場場道除冰雪信息管理系統研究及展望

□ 董建華 聶德喬 彭敏康/文

我國地域幅員遼闊，北方大多屬于溫帶季風氣候，冬季漫長且降雪頻率高，降雪量大。本文通過分析運輸機場場道除冰雪作業過程目前存在的問題和短板，依托哈爾濱機場的除冰雪指揮管理系統進行論證，對未來機場場道智慧除冰雪發展方向和可能采取的科技化、數字化工具與手段進行闡述和設想，實現機場場道除冰雪管理指揮的可視化、系統化、高效化運作，達到多維度、一體化指揮管理，最大程度減輕冬季冰雪天氣對機場運行的影響。

機場場道除冰雪的現狀及問題

（一）我國嚴寒、寒冷機場概況

按照現行國家標準《民用建筑熱工設計規范》（GB50176）我國氣候分區主要劃分為嚴寒地區、寒冷地區、夏熱冬冷地區、夏熱冬暖地區、溫和地區等五個氣候區。

資料圖片

嚴寒地區：主要是指東北、內蒙古和新疆北部、西藏北部、青海地區，累年最冷月平均氣溫≤-10℃或日平均≤5℃的天數，一般在145 天以上地區。嚴寒地區機場主要包括黑龍江、吉林、遼寧、內蒙古、青海、新疆北部和西藏北部等地區的機場。

寒冷地區：主要是指北京、天津、河北、山東、山西、寧夏、陜西大部、遼寧南部、甘肅中東部、新疆南部、河南、安徽、江蘇北部以及西藏南部等地區。 其主要指標為：最冷月平均溫度0 ～10℃，輔助指標為：日平均溫度≤5℃的天數為90 ～145 天。寒冷地區機場主要包括北京、天津、河北和山東等地區的機場。

（二）降雪天氣對機場運行造成的影響

1.造成跑道摩擦系數降低無法滿足航空器起降要求。

2.造成飛行區場地地貌發生變化，導致盲降等導航設施信號發生波動變化，影響航空器起降安全。

3.滑行道、機坪道面濕滑，航空器、車輛、人員運行效率下降或暫停運行。

4.反復長時間降雪影響航班正常率，航班大面積延誤或取消，旅客大量滯留機場，易引發群體事件和不利輿情大面積發酵。

（三）機場場道除冰雪過程中存在的難點和問題

1.協調不暢，機場飛行區除雪部門與運行監管、航空公司、運管委、空管部門之間存在信息不對稱，信息傳遞慢，多頭決策等問題。

2. 除冰雪啟動時機把握不準，除冰雪效率不高，除冰雪總指揮無法第一時間掌握除雪車輛位置和完成情況。對于每次除冰雪過程和完成效果進行總體評價時也沒有系統性的判定標準和指標。

3.除冰雪期間機場區域天氣變化不定，時有一邊下雪一邊清雪的情況，風速、風向、氣溫和實時降雪強度對于場道除雪效果影響很大，導致何時完成清雪達到跑道適航時刻不確定，無法為機場航班恢復運行提供可靠依據。

機場道面除冰雪系統實踐及效果

為解決上述問題，建立一套科學的、適用的機場道面除冰雪信息管理系統是提高冬季機場運行效率、確保機場運行安全的迫切需求。根據哈爾濱機場多年冬季道面除冰雪的實踐和提出的需求，2019 年，黑龍江機場集團委托某設計研究院為哈爾濱機場設計并建立了一套基于智慧飛行區的機場除冰雪指揮調度信息系統。該系統經過近一年的建設，設計單位經過哈爾濱機場及局方多次提出需求、改進、實戰檢驗和測試，通過了民航東北管理局的中期和最終驗收。相較于過去的除冰雪作業管理模式，除冰雪管理指揮系統為哈爾濱機場的場道除冰雪作業帶來了以下幾方面質的提升：

一是優化了除冰雪作業流程，建立了作業任務收發反饋機制。除冰雪管理指揮系統構建了一套的完整的任務下發→任務接受→塔臺批準→任務執行→任務結束流程。與以往的通過口頭布置，對講機調度的方式對比，除冰雪管理指揮系統實現了任務布置的流程化，可視化，并建立了相應反饋機制，增強了指揮員對各車輛執行任務的管控能力。使得機場除冰雪作業進一步規范化，流程化，標準化。

二是實現了車輛統一調度管理。除冰雪管理指揮系統中的車輛定位管理功能實現了車輛統一調度管理。通過系統的電子地圖及車輛位置信息的顯示，除冰雪指揮調度中心可以獲取實時的車輛位置信息、車輛工作狀態、車輛行駛路線、車輛停靠位置、駕駛員信息等數據，從而使除冰雪指揮人員可隨時掌握車輛位置及信息。與以往的指揮人員僅能通過對講機呼喊，由駕駛人員匯報位置才能獲取車輛位置信息相比較，系統的投入使用，使駕駛員能清晰直觀的獲取車輛位置，這極大的改善了指揮人員對除冰雪車輛的掌握能力。

三是實現了車輛的視頻監控。通過除冰雪管理指揮系統中的車載視頻監控功能，在執行除冰雪任務過程中除冰雪指揮人員可以實時監控除冰雪車輛的車外與車外視頻信息，確保對車輛、各區域情況進行全面有效的掌控。與以往的指揮方式相比較，指揮人員獲得了除冰雪車輛的即時視頻信息，根據需要可以隨時查看各執行任務車輛的任意一路或多路視頻，了解各執行任務車輛的行駛狀態和運行環境及現場情況。增強了對現場的管控能力和突發情況的應對情況。

四是實現了人員績效的考核。通過除冰雪管理指揮系統的車輛管理、報警管理、人員上下車功能、駕駛員管理等功能，除冰雪團隊實現了公平、真實的人員績效考核。通過使用駕駛員管理功能，通過統計各工作人員工作時間、執行效果、車輛行駛路線及違章等各類信息，除冰雪團隊可以掌握每個車輛駕駛員駕駛車輛的時間與時段，形成詳實、準確的考勤記錄，也給團隊調度人員規避駕駛員疲勞駕駛、過度駕駛提供了可靠的參考。與以往的績效考核方式相比較，除冰雪管理指揮系統提供了準確，科學的考核依據，有利于除冰雪團隊制定合理薪酬激勵機制，進一步提升工作效率，挖掘團隊潛力。

五是實現了工作記錄倒查。通過除冰雪管理系統的車輛軌跡回放、車輛位置回查等功能，除冰雪指揮人員可準確復現某一時間段內任意車輛的工作軌跡，進而分析該車輛的工作范圍與作業遍數。除冰雪團隊指揮人員可根據該記錄，結合機場的實際除雪效果與運行效率，進一步優化除冰雪作業車輛的派出規劃和作業線路規劃。也為事后的追查倒查，提供了準確的依據。與以往只能通過人員回憶和場內視頻監控回看等方式確認作業軌跡的方式相比較，除冰雪管理指揮系統提供了準確的行駛軌跡記錄，提供了可靠、詳細的工作記錄保存方式。

機場智慧除冰雪未來發展設想和展望

哈爾濱機場基于智慧飛行區的機場除冰雪指揮調度信息系統屬于先行項目，全國其他機場尚無同類項目，該項目是“四型機場”建設的良好示范，有效的提升了機場除冰雪部門信息獲取和協同指揮等能力，但對于全面評價機場場道除冰雪能力，機場雪后正常運行，尤其是保障航班時刻等方面仍有一些不足，主要存在于三個方面：一是機場場道除冰雪保障能力評估需更加全面、科學和精準；二是應盡量滿足降雪期間和降雪后機場航班調減決策時間進一步提前的需求；三是受降雪天氣復雜的變化影響，機場跑道、滑行道和機坪道面適航時間目前僅靠人工研判，無法給出準確的預估時間，尤其是為了適應國際民航組織（ICAO）的國際化標準，局方推行降雪后不以跑道摩擦系數測試結果為機場跑道開放的硬性要求后，道面適航與場道除冰雪能力的匹配能否量化需要更加科學的評判。

場道除冰雪實現智慧化，國內外已經有多項課題進行研究并即將付諸實踐，如大型掃雪車的自動駕駛和無人作業、道面冰雪狀態監控及預警設備、抗冰防滑自加熱道面、搭載航空發動機的狂風吹雪車等。本文認為智慧機場場道除冰雪的未來無論是設備技術的更新（如自加熱道面、狂風吹雪車）還是數字化提升（自動駕駛、無人作業）都是比較契合實際的，但就當前的機場運行現狀和影響因素來說，除冰雪作業前根據天氣等因素準確預測跑道適航時刻，為機場恢復運行做出提前量尤為重要。因此，可以通過建立數字化模型實現，這也是未來機場智慧除冰雪的雛形。

（一）建立期望模型并形成閉環

首先建立系統模型時，設定每一次實施場道除冰雪作業的參數，包括但不僅限于：本次預計降雪總量；雪停時間（距當前時間還有多久，如作業時雪停則為0）；作業時本場風速、風向；參與除冰雪的各類除雪車數量；除冰液撒布車數量；跑道長度、寬度；滑行道長度、寬度；作業時氣溫；跑道目前的摩擦系數、作業任務完成時跑道的摩擦系數（如果不采用摩擦系數作為跑道開放條件則設定更換為其他等效參數）等。

在系統模型建立初期，上述的各項參數和跑道適航時刻（預測結果）需工作人員在場道除冰雪完成后手動錄入正確時刻，以形成完整的數據閉環供系統模型后期預測時進行比對。隨著錄入的完整樣本數量增加，依托數據庫中已經完成的機場冰雪清掃任務數據，參考當前的天氣狀況、除冰雪資源和本場跑滑、機坪的物理性狀建立可預測機場道面除雪時間的數學模型。

（二）利用大數據挖掘工具IBMSPSSModeler 科學預測跑道適航時刻

IBM SPSS Modeler 是數據挖掘軟件，目前我國傳統行業尤其是交通運輸業采用的均為數據統計軟件，數據挖掘和數據統計是存在聯系和區別的。從原理來看，數據挖掘原理偏向于數學算法，對假設檢驗顯著性等不敏感，但計算期望（預測）能力較強；數據統計則在抽樣、假設、檢驗、是否顯著等功能較強（如通過數據統計軟件計算機場機坪航空器的最優滑行線路）。

Modeler 建模的原理主要有聚類算法、決策樹算法、神經網絡算法、貝葉斯算法等，根據CRISP-DM（跨行業數據挖掘標準流程）設計，整個數據挖掘流程包括行為理解、數據理解、數據準備、建模、評估和部署等階段，目的是通過對數據的整理、建模，挖掘出相關結果，指導實際管理和決策，可計算的數據量非常大，適合于分析、計算場道除冰雪后跑道適航時刻的預測。

Modeler 建模并預測的過程分為受監督、關聯、細分三個步驟：

1.受監督模型是使用一個或多個輸入字段的值來預測一個或多個輸出（或目標）字段的值。在預測機場道面適航時刻這個場景下輸入的參數包括預計降雪量，當前風速和風向，預計雪停時間，跑道寬度、長度，本場氣溫，當前跑道摩擦系數等，終止條件為跑道摩擦系數大于0.3（或其他等效參數）。

2. 關聯模型是查找數據庫中的已完成樣本數據，與其中一個或多個樣本相關聯，如Apriori、Carma、序列、關聯規則等，讀取數據參數并轉到細分模型。在預測機場道面適航時刻這個場景下就是把第一步受監督模型中的參數與前期數據庫中已經存在的手工錄入的正確參數進行對比并關聯。

3. 細分模型是將數據劃分為具有類似輸入字段模式的記錄段或聚類。細分模型的示例為Kohonen 網絡、K-Means 聚類、二階聚類和異常檢測等，屬于前饋式無監督學習網絡，分為匹配層和競爭層。匹配層計算輸入模式向量（受監督模型中錄入的參數）與權向量（已經存在的手工錄入的正確參數）之間的距離（距離越小匹配程度越大）；競爭層是各權向量以匹配程度為依據進行競爭，確定匹配程度大的權向量獲勝，經過多次反復的競爭和更新，最終輸入模式向量會以權向量的模式保存，從而實現對輸入模式向量的聚類、識別與拓撲不變性映射，此時根據最終保存的權向量，可以直接關聯出跑道的適航時刻。簡單說就是分成兩個步驟：最佳匹配權向量的選擇和輸入模式向量的更新，從而形成跑道適航時刻的預測。

（三）大數據挖掘建模的實際意義

機場協同決策系統（A-CDM）通過集成各方數據，并將數據共享，來實現各方資源的合理調配，提高機場整體運行效率，更好的保障航班運行。實現信息共享后，A-CDM 根據航班整體運行過程，使用預先定義好的里程碑來推算每架航班的預計推出時間（TOBT）。

目前在我國大部分機場，因降雪造成的機場跑道關閉，恢復運行時刻無法納入A-CDM，其中重要的一項原因就是因降雪天氣多變，清雪完成時刻無法準確預估，導致后續因降雪滯留、備降的航班無法獲取較準確的起降時刻，機場的各項保障效率也無從談起。通過上述數字化模型，如果準確預測跑道的適航時刻并將其納入A-CDM 中，是解決降雪導致的航班延誤給機場運行管理帶來一系列考驗重要手段之一，可以顯著提高滯留旅客滿意度，加強協作提高航班保障效率，同時也是實現機場智慧化除冰雪的路徑之一。