本文发表于《指挥信息系统与技术》2025年第3期

作者：罗坷昊，黄吉波，沈震，何畅，陈德旺，田靖，熊刚

引用格式：罗坷昊，黄吉波，沈震，等.基于GAN的飞行流量管理策略选优方法［J］.指挥信息系统与技术，2025，16（3）： 75-81.

摘要 为了提高策略抉择的灵活性和效率，提出了一种基于生成对抗网络（GAN）的空中飞行流量管理策略选择方法，并结合模糊层次分析法以增强策略选择的合理性。首先，基于航班密度、空域容量、天气状况和军事活动等关键参数，学习并生成接近实际的空中交通环境模型；然后，通过生成器和判别器进行对抗训练；最后，考虑航班延误成本、环境影响和管制员工作负荷等因素，基于模糊层次分析法（FAHP）在多目标决策框架下进行策略评估和优先级排序，从而选择出了合适的策略。试验结果表明，该方法能为未来空中交通管理领域的研究和实践提供新思路。

00 引言

随着全球经济的增长和居民生活水平的提升，航空运输业迎来了快速发展。在该过程中，伴随着空中交通管理需求的不断增加及政策支持，空中交通管理领域获得了重大的发展机遇。

一直以来，空中交通流量管理是空中交通管理中的主要工作之一，同时也是重中之重；流量控制则是空中交通流量管理的重要措施。目前，比较经典的流量控制策略有尾随间隔、地面等待、空中等待和改航等，空中环境的复杂性导致不同情况下、不同控制策略的效果各不相同。因此，面对空中交通瓶颈问题，策略类型的选择成为一个大工程，该过程涉及执行级、地区级和全国级流量管理单位以及机场管制塔台类的负责部门。目前的航空运作系统中，流量控制策略的确定需要各个单位间通过沟通、评估和协调后才能确定，且在争议较大的时候常由管制人员根据经验决定，导致具有较大的误差风险。因此，为了优化节省时间成本并增加容错，急需一个自适应的策略输出方法作为辅助来完成该项工作。

生成对抗网络（GAN）的主要结构包括一个生成器和一个判别器。生成器的作用是将输入空间的随机变量映射到输出空间的生成数据，而判别器的作用是判别数据是来自生成数据还是训练数据。传统的策略类型确定通常基于静态规则或基于历史数据的预测，这些方法往往无法很好地适应飞行流量的动态变化和复杂性。通过引入GAN来解决上述问题，可实现对飞行流量分配的动态优化，使系统能够根据实时状态和需求情况来选取流量控制策略类型。

因此，本文设计了基于GAN的飞行流量分配方案生成方法，通过生成器和判别器2个子网络进行对抗训练，结合模糊层次分析法（FAHP）在多目标决策框架下评估和优先级排序，抉择出最适合当下的策略类型，从而支持流量管理人员进行科学决策。

01 策略类型

空中飞行流量管理的执行阶段分为战略、预战术和战术3个阶段，各阶段的效能和流量管理方法各不相同。其中，战略流量管理是针对流量管理未来一段时间的工作和目标进行的规划；预战术流量管理是在战略流量管理基础上，对第2天或1周内的流量进行预测并提前进行流量调配；战术流量管理主要是根据当日的运行情况采取措施，该阶段根据飞行状态又分为起飞前和起飞后，不同状态有不同的管理方法。与战略和预战术阶段相比，战术流量管理阶段因为是针对当日采取的实际行动，选择的策略多是采取措施实现容量和流量平衡的具体方案，同时考虑到一直以来国内外科研工作人员对于战术流量管理策略的性能研究居多，但对策略的选择并未提及，因此本文主要围绕战术流量管理策略的生成进行描述。

1）尾随间隔：尾随间隔管理作为一种传统的流量管理策略，通过控制同一条航线上飞往同一方向的航空器的纵向间隔，使得单位时间内通过某一扇区或机场的飞行量减少，从而缓解空中交通压力。一般在场、扇区或航路预计已经出现流量超出容量时，或是在军事活动和雷雨天气影响下，出现空域受限、容量下降时会选择尾随间隔方法，并且通常要求间隔在30~50 km以上。

2）地面等待：地面等待策略]通常应用于航空器未出发前检测到目的机场或途经航路空域发生拥挤的情况，此类情况一般是突发性、无法预料的，且为空中秩序安全着想，相关流量管理部门没有办法给出起飞指令，因此，为了防止航空器在空中长时间等待，就会要求延迟起飞时间，使航班在起飞机场地面等待。

3）空中等待：空中等待策略是空中交通拥挤时流量调整的重要措施，就是通过改变原本的航空器飞行轨迹，使其在空域内盘旋飞行，从而实现延长飞行时间、增加飞行间隔、减少航路流量的目的。

4）改航：改航策略通过改变航班运行轨迹，改变通过某管制区域或航路的航班流量，从而避免因管制区域或航路受限导致的航班无法通过的情况，一般应用于由于恶劣天气、军事活动或流量管控等突发情况导致空域容量下降，但又不便于采用地面等待这种会造成大面积航班延误的场景。

02 整体流程

考虑到航空环境的复杂性以及不确定性，在进行模型设计时，做了一系列假设以便简化问题并增强模型的可行性。首先，假设短期内环境因素（如天气状况和军事活动的变化）是相对稳定的，不会发生剧烈变化，从而确保模型效果的稳定性；然后，假设所有航班的飞行性能在一定范围内是一致的，这样可以避免处理过度复杂的个体差异；最后，假设空中交通管理系统能够及时响应模型输出的策略，并迅速传达各个航班执行，确保策略的实施效果。本文紧扣生成器和判别器的博弈机制，以实现动态输出合适的流量管理策略为目标进行模型设计。

针对空中飞行流量管理策略类型的输出进行流程设计，整体流程如图1所示。该流程主要包含流量态势分析、GAN模型训练和模糊层次分析3个步骤。其中，流量态势分析旨在了解空中飞行流量的情况，为后续研究提供准备工作；GAN模型训练是重中之重，功能实现主要来源于该环节；模糊层次分析结合各种因素评估和优先级排序抉择出最合适的流量控制策略。

图1 整体流程

03 态势分析

04 GAN模型

空中飞行管理策略会随着空中环境的变化而做出调整，实现该功能主要依靠GAN的对抗训练特点，通过将环境和航线参数作为输入，让生成器不断生成，判别器不断判断，形成一个对抗性质，最终当判别器无法判别出哪一个为真时，就认为完成了功能实现，因此，GAN对于生成器、判别器的设计以及模型训练流程设计都较关键。

4.1 目标函数

GAN作为一种强大的深度学习模型，其主要是生成器和判别器通过不断地迭代对抗将随机噪声的分布逐步转变为真实数据分布，从而实现模拟真实情形下智能流量管理策略的输出，为了训练生成器和判别器，使得生成器能够生成越来越接近真实数据的策略，而判别器则越来越能够区分真实策略和生成策略，需要进行对抗训练。那么，该对抗过程的目标函数表示为：

4.2 生成器与判别器

在生成对抗网络中，生成器的目标是输出一个合理的流量管理策略，以接收空域参数为输入，将这些参数编码并通过神经网络层输出4种策略的概率分布。生成器网络如图2所示。

图2 生成器网络

判别器以接收的生成器输出的策略和选择逻辑的策略为输入，输出一个概率值，表明输入策略属于真实还是生成。其目标是最大化判别能力来区分真实策略和生成策略，通过反馈机制改善输出质量。判别器网络如图3所示。

图3 判别器网络

4.3 参考策略

考虑到空中环境的复杂性，且GAN在训练过程中需要有参照物，本文在前面设立了一些参数，为了输出相应的流量管理策略，定义了一个策略输出函数 ，可视为一个多输入单输出的函数，接收相应的空域参数作为输入，并输出一个具体的流量管理策略类型，将下列选择逻辑得到的策略作为初步的生成器，可参考用于训练：

1）地面等待：当航班密度超过空域容量但天气状况或军事等级尚可容忍，未到达高等级时，选择地面等待策略以减轻空域压力；

2）空中等待：当航班密度不超过空域容量，但前方出现短暂、局促的通行阻碍时，选择空中等待策略以确保飞行安全；

3）尾随间隔：当航班密度不超过空域容量且天气状况和军事活动等级都不高时，选择尾随间隔策略进行航班安全距离的维持；

4）改航：当天气状况或军事活动等级为高时，预设路径不再支持通行且等待时间不确定的情况下，选择改航策略进行避让。

4.4 GAN模型训练

对于模型的训练，采用对抗训练形式。一方面，固定生成器，通过训练判别器以最大化区分真实策略和生成策略的能力；另一方面，固定判别器，通过训练生成器以最小化判别器成功区分真实策略和生成策略的概率。通过这样不断的交替训练，直至生成器生成的策略无法再被判别器区分出来。

GAN模型训练原理如图4所示。GAN训练步骤如下：

1）将空域参数作为生成器的训练样本输入，从而输出生成策略；

2）将真实策略作为GAN网络中判别器的参考数据；

3）将生成器生成的分配方案与随机分配方案一同输入判别器进行判别；

4）通过GAN的评判指标来衡量模型输出的好坏。

图4 GAN模型训练原理

考虑到流量管理策略的输出形式，因此设定在模型训练完成后，生成器根据输入的空域参数输出一个策略的概率分布，该分布可以解释为一个分类结果。

05 结合模糊层次的策略确定

当前情况下生成器输出的是策略的概率分布，那么为了增强模型决策的可靠性并处理决策中的不确定性和模糊性，在决定输出流量管理策略时加入了模糊层次分析法（FAHP）。根据FAHP的思想，构建一个多层次的决策模型，模型共分为目标层、准则层和方案层3个部分。其中，目标层旨在选择最合适的流量管理策略；准则层是一些影响策略选择的因素；方案层是4个备选的流量管理策略。模型具体的层次结构如图5所示。

图5 层次结构

如图6所示，确定流量管理策略的流程为：

1）在准则层和方案层间构造模糊判断矩阵，用来评判各因素间相对于准则的重要性；

2）利用模糊判断矩阵，可计算出各个因素的权重向量；

3）将生成器输出的策略概率分布作为方案层的输入，通过将这些概率与权重向量相结合，利用模糊综合评价得到每一个策略的综合评价值，就能反映出这些策略在所有考虑因素下的总体表现；

4）根据综合评价值，选择评价值最高的策略作为最终的输出策略，那么该策略可视为当前情况下的最优流量管理策略。

图6 策略确定流程

06 验证试验

为了验证本文方法的有效性，在试验中采用一台配备有AMD Ryzen 7 5800H处理器、16 GB内存和256 GB+1 TB SSD的联想R7000P笔记本电脑作为硬件环境。使用Python为主要编程语言，模型设定训练迭代次数为80，学习率为0.000 1。先对模型进行训练，再使用均方误差（MSE）、最大均值差异（MMD）和KL 散度（KL divergence）作为评价参数。

在研究过程中，面对真实飞行数据不足的问题，本文采用模拟生成的方法进行数据集的合成，从而支持模型的训练和测试，该数据集包括8 000条数据，主要考虑了前面提及的关键因素，包括时间、天气状况、军事活动程度和空域容量等，确保数据的实用性。

考虑到试验数据的重要性，首先对数据进行了评估。通过计算真实数据和生成数据的平方差均值即MSE作为误差评估方法，广泛应用于数据生成和预测模型的性能评估。MSE计算公式如下：

在评估模型性能时，采用试验过程中达到的最优值以及最终5次迭代结果的平均值作为性能评估的指标。该方法可以确保不仅关注模型在某个特定时刻的表现，而且考虑了模型在多次迭代后的稳定性和一致性。试验结果（最小值）如表1所示。

表1 8000数据集试验结果（最小值）

考虑到仅使用最小值可能会有偏差，因此本文还选取了训练迭代指标的平均值进行评估，试验结果（平均值）如表2所示。

表2 8000数据集试验结果（平均值）

从表1和表2的MSE、MMD和KL散度这3个指标的数据看，模型在生成数据的质量上表现较好，尤其从MMD和KL散度2个指标看，均值数据较低，表明生成数据和真实数据分布之间差异较小，同时也体现了模型的优越性。为了更好地观察和分析天气状况、军事活动等复杂情况下的数据质量，本文还采用可视化图展示迭代过程的表现，变化趋势如图7所示。

图7 变化趋势

在完成模型训练后，对测试集数据进行策略类型的生成，该过程主要是结合生成器生成的策略类型概率和环境影响因素的权重得到各种策略的综合评价指标值，筛选其中值最大的策略类型作为推荐策略。其中环境因素（航班密度、空域容量、天气状况和军事活动）的权重通过两两对比方式确定其相对重要性，并使用1、3、5、7、9的模糊数值来描述2个因素间的重要性程度，通过该方法最终生成一个4×4的模糊判断矩阵，并利用该模糊判断矩阵来计算每个因素的权重。得到模糊判断矩阵如下：

得到影响因素权重如表3所示。

表3 影响因素权重

为了确保矩阵的自洽性以及保证评估结果的可信性，需要进行一致性检验。一致性指标和一致性比率都是用于衡量矩阵一致性程度的指标，计算公式如下：

表4 一致性指标

由表4的一致性指标值可见，表明一致性良好，符合要求。

部分测试集总结信息如表5所示。将数据通过编程逻辑转换后输入模型，先后经过GAN和模糊层次分析后得到4个策略的综合评价值以及推荐的策略类型。将本文方法推荐的策略类型与参考策略对比，以验证不同空中飞行场景下推荐策略类型的准确性。表6是依托表5列举的部分飞行场景，通过本文方法得到的不同场景下4种策略类型的综合评分、推荐策略以及参考策略。该表不仅清楚地展示了生成策略的准确性，而且可以看出模型对于策略的选择并不存在偏好性，保证了策略抉择的公平性。该试验结果表明本文方法在针对不同飞行环境下能够有效地给出一个比较合适的飞行流量控制策略，从而为空中交通管理人员科学决策提供参考，这对民航系统优化、减少延误具有重要作用。

表5 部分测试集总结信息

表6 策略综合评价值及推荐、参考策略

07 结束语

本文提出了一种基于GAN的空中飞行流量管理策略生成方法。在设计过程中，提出了基于GAN的空中飞行流量管理策略模型，并创新性地融合了模糊层次分析法以优化策略选择过程。其中，GAN的核心优势在于能够学习并模仿现有数据集的分布，生成新的、具有相似特征的样本。该智能化决策类型输出方法能够较大程度地简化在突发情况下的策略选择流程，节省时间成本，同时也能够增加在特殊情况下凭借管制员经验做出决策的容错。

本文为流量管理策略的输出提供了一种新思路，即利用机器学习和多标准决策相结合的思路，优化现有的空中交通管理流程，提高决策效率和效果。现实世界的空中交通管理是一个动态多变的系统，流量管制人员不能确保全天、全年的高效无差错管控，那么本文方法就可作为一个优化方案；该方法的应用场景广泛，例如在日常流量管理中用以平衡航班密度与空域容量，在拥堵繁忙场景下帮助识别瓶颈区域并辅助进行流量调控，同时还能根据不同环境信息去实时调整最优策略从而保障航空器安全。后续将在优化模型结构、添加更多实际限制条件、结合更多实际数据验证等方面开展进一步研究，以期推动空中交通管理领域的技术发展。

相关文献推荐：

孙建，徐秋程，汤闻易，等 . 基于 Schema 约束的空管领域知识抽取方法［J］. 指挥信息系统与技术，2025，16（1）：59-63.

汤闻易，吴聪，丁辉，等. 基于多尺度时空信息的空中交通流智能预测技术［J］. 指挥信息系统与技术，2024，15（5）：21-28.

张欣，葛昊，段续庭，等. 民用机场飞行区风险因素及耦合关系分析［J］. 指挥信息系统与技术，2024，15（5）：44-52.

王小乐，陈曦，田云钢，等. 空管时空数据分布式存储与快速查询［J］. 指挥信息系统与技术，2024，15（5）：53-59.

陈平，胡杰，鲍帆，等. 机场飞行区主动安全技术防范体系构建［J］. 指挥信息系统与技术，2023，14（5）：1-7.

贾玮，汤闻易，马宗民. 面向空管的时空知识图谱补全方法［J］. 指挥信息系统与技术，2023，14（4）：57-63.

沈堤，张哲，余付平，等.美军空中交通管制与空域控制对比分析［J］.指挥信息系统与技术，2022，13（5）：11-15.

张瀚月,段满珍,许亚男,等. 基于熵权物元可拓的空中交通流量管理策略效能评价[J]. 指挥信息系统与技术,2020,11(6):65-70.

张阳,程先峰,刘岩. 空中交通基于四维轨迹运行概念及其应用[J]. 指挥信息系统与技术,2020,11(5):5-10.

傅子涛. 地面延误程序在流量管理系统中的应用[J]. 指挥信息系统与技术,2018,9(6):80-84.

---

文章改编转载自微信公众号：中国指挥与控制协会

原文链接：https://mp.weixin.qq.com/s/sDvFkCw9wqIBhRTfLc8nrw

本文发表于《指挥信息系统与技术》2025年第3期

作者：罗坷昊，黄吉波，沈震，何畅，陈德旺，田靖，熊刚

引用格式：罗坷昊，黄吉波，沈震，等.基于GAN的飞行流量管理策略选优方法［J］.指挥信息系统与技术，2025，16（3）： 75-81.

摘要 为了提高策略抉择的灵活性和效率，提出了一种基于生成对抗网络（GAN）的空中飞行流量管理策略选择方法，并结合模糊层次分析法以增强策略选择的合理性。首先，基于航班密度、空域容量、天气状况和军事活动等关键参数，学习并生成接近实际的空中交通环境模型；然后，通过生成器和判别器进行对抗训练；最后，考虑航班延误成本、环境影响和管制员工作负荷等因素，基于模糊层次分析法（FAHP）在多目标决策框架下进行策略评估和优先级排序，从而选择出了合适的策略。试验结果表明，该方法能为未来空中交通管理领域的研究和实践提供新思路。

00 引言

随着全球经济的增长和居民生活水平的提升，航空运输业迎来了快速发展。在该过程中，伴随着空中交通管理需求的不断增加及政策支持，空中交通管理领域获得了重大的发展机遇。

一直以来，空中交通流量管理是空中交通管理中的主要工作之一，同时也是重中之重；流量控制则是空中交通流量管理的重要措施。目前，比较经典的流量控制策略有尾随间隔、地面等待、空中等待和改航等，空中环境的复杂性导致不同情况下、不同控制策略的效果各不相同。因此，面对空中交通瓶颈问题，策略类型的选择成为一个大工程，该过程涉及执行级、地区级和全国级流量管理单位以及机场管制塔台类的负责部门。目前的航空运作系统中，流量控制策略的确定需要各个单位间通过沟通、评估和协调后才能确定，且在争议较大的时候常由管制人员根据经验决定，导致具有较大的误差风险。因此，为了优化节省时间成本并增加容错，急需一个自适应的策略输出方法作为辅助来完成该项工作。

生成对抗网络（GAN）的主要结构包括一个生成器和一个判别器。生成器的作用是将输入空间的随机变量映射到输出空间的生成数据，而判别器的作用是判别数据是来自生成数据还是训练数据。传统的策略类型确定通常基于静态规则或基于历史数据的预测，这些方法往往无法很好地适应飞行流量的动态变化和复杂性。通过引入GAN来解决上述问题，可实现对飞行流量分配的动态优化，使系统能够根据实时状态和需求情况来选取流量控制策略类型。

因此，本文设计了基于GAN的飞行流量分配方案生成方法，通过生成器和判别器2个子网络进行对抗训练，结合模糊层次分析法（FAHP）在多目标决策框架下评估和优先级排序，抉择出最适合当下的策略类型，从而支持流量管理人员进行科学决策。

01 策略类型

空中飞行流量管理的执行阶段分为战略、预战术和战术3个阶段，各阶段的效能和流量管理方法各不相同。其中，战略流量管理是针对流量管理未来一段时间的工作和目标进行的规划；预战术流量管理是在战略流量管理基础上，对第2天或1周内的流量进行预测并提前进行流量调配；战术流量管理主要是根据当日的运行情况采取措施，该阶段根据飞行状态又分为起飞前和起飞后，不同状态有不同的管理方法。与战略和预战术阶段相比，战术流量管理阶段因为是针对当日采取的实际行动，选择的策略多是采取措施实现容量和流量平衡的具体方案，同时考虑到一直以来国内外科研工作人员对于战术流量管理策略的性能研究居多，但对策略的选择并未提及，因此本文主要围绕战术流量管理策略的生成进行描述。

1）尾随间隔：尾随间隔管理作为一种传统的流量管理策略，通过控制同一条航线上飞往同一方向的航空器的纵向间隔，使得单位时间内通过某一扇区或机场的飞行量减少，从而缓解空中交通压力。一般在场、扇区或航路预计已经出现流量超出容量时，或是在军事活动和雷雨天气影响下，出现空域受限、容量下降时会选择尾随间隔方法，并且通常要求间隔在30~50 km以上。

2）地面等待：地面等待策略]通常应用于航空器未出发前检测到目的机场或途经航路空域发生拥挤的情况，此类情况一般是突发性、无法预料的，且为空中秩序安全着想，相关流量管理部门没有办法给出起飞指令，因此，为了防止航空器在空中长时间等待，就会要求延迟起飞时间，使航班在起飞机场地面等待。

3）空中等待：空中等待策略是空中交通拥挤时流量调整的重要措施，就是通过改变原本的航空器飞行轨迹，使其在空域内盘旋飞行，从而实现延长飞行时间、增加飞行间隔、减少航路流量的目的。

4）改航：改航策略通过改变航班运行轨迹，改变通过某管制区域或航路的航班流量，从而避免因管制区域或航路受限导致的航班无法通过的情况，一般应用于由于恶劣天气、军事活动或流量管控等突发情况导致空域容量下降，但又不便于采用地面等待这种会造成大面积航班延误的场景。

02 整体流程

考虑到航空环境的复杂性以及不确定性，在进行模型设计时，做了一系列假设以便简化问题并增强模型的可行性。首先，假设短期内环境因素（如天气状况和军事活动的变化）是相对稳定的，不会发生剧烈变化，从而确保模型效果的稳定性；然后，假设所有航班的飞行性能在一定范围内是一致的，这样可以避免处理过度复杂的个体差异；最后，假设空中交通管理系统能够及时响应模型输出的策略，并迅速传达各个航班执行，确保策略的实施效果。本文紧扣生成器和判别器的博弈机制，以实现动态输出合适的流量管理策略为目标进行模型设计。

针对空中飞行流量管理策略类型的输出进行流程设计，整体流程如图1所示。该流程主要包含流量态势分析、GAN模型训练和模糊层次分析3个步骤。其中，流量态势分析旨在了解空中飞行流量的情况，为后续研究提供准备工作；GAN模型训练是重中之重，功能实现主要来源于该环节；模糊层次分析结合各种因素评估和优先级排序抉择出最合适的流量控制策略。

图1 整体流程

03 态势分析

04 GAN模型

空中飞行管理策略会随着空中环境的变化而做出调整，实现该功能主要依靠GAN的对抗训练特点，通过将环境和航线参数作为输入，让生成器不断生成，判别器不断判断，形成一个对抗性质，最终当判别器无法判别出哪一个为真时，就认为完成了功能实现，因此，GAN对于生成器、判别器的设计以及模型训练流程设计都较关键。

4.1 目标函数

GAN作为一种强大的深度学习模型，其主要是生成器和判别器通过不断地迭代对抗将随机噪声的分布逐步转变为真实数据分布，从而实现模拟真实情形下智能流量管理策略的输出，为了训练生成器和判别器，使得生成器能够生成越来越接近真实数据的策略，而判别器则越来越能够区分真实策略和生成策略，需要进行对抗训练。那么，该对抗过程的目标函数表示为：

4.2 生成器与判别器

在生成对抗网络中，生成器的目标是输出一个合理的流量管理策略，以接收空域参数为输入，将这些参数编码并通过神经网络层输出4种策略的概率分布。生成器网络如图2所示。

图2 生成器网络

判别器以接收的生成器输出的策略和选择逻辑的策略为输入，输出一个概率值，表明输入策略属于真实还是生成。其目标是最大化判别能力来区分真实策略和生成策略，通过反馈机制改善输出质量。判别器网络如图3所示。

图3 判别器网络

4.3 参考策略

考虑到空中环境的复杂性，且GAN在训练过程中需要有参照物，本文在前面设立了一些参数，为了输出相应的流量管理策略，定义了一个策略输出函数 ，可视为一个多输入单输出的函数，接收相应的空域参数作为输入，并输出一个具体的流量管理策略类型，将下列选择逻辑得到的策略作为初步的生成器，可参考用于训练：

1）地面等待：当航班密度超过空域容量但天气状况或军事等级尚可容忍，未到达高等级时，选择地面等待策略以减轻空域压力；

2）空中等待：当航班密度不超过空域容量，但前方出现短暂、局促的通行阻碍时，选择空中等待策略以确保飞行安全；

3）尾随间隔：当航班密度不超过空域容量且天气状况和军事活动等级都不高时，选择尾随间隔策略进行航班安全距离的维持；

4）改航：当天气状况或军事活动等级为高时，预设路径不再支持通行且等待时间不确定的情况下，选择改航策略进行避让。

4.4 GAN模型训练

对于模型的训练，采用对抗训练形式。一方面，固定生成器，通过训练判别器以最大化区分真实策略和生成策略的能力；另一方面，固定判别器，通过训练生成器以最小化判别器成功区分真实策略和生成策略的概率。通过这样不断的交替训练，直至生成器生成的策略无法再被判别器区分出来。

GAN模型训练原理如图4所示。GAN训练步骤如下：

1）将空域参数作为生成器的训练样本输入，从而输出生成策略；

2）将真实策略作为GAN网络中判别器的参考数据；

3）将生成器生成的分配方案与随机分配方案一同输入判别器进行判别；

4）通过GAN的评判指标来衡量模型输出的好坏。

图4 GAN模型训练原理

考虑到流量管理策略的输出形式，因此设定在模型训练完成后，生成器根据输入的空域参数输出一个策略的概率分布，该分布可以解释为一个分类结果。

05 结合模糊层次的策略确定

当前情况下生成器输出的是策略的概率分布，那么为了增强模型决策的可靠性并处理决策中的不确定性和模糊性，在决定输出流量管理策略时加入了模糊层次分析法（FAHP）。根据FAHP的思想，构建一个多层次的决策模型，模型共分为目标层、准则层和方案层3个部分。其中，目标层旨在选择最合适的流量管理策略；准则层是一些影响策略选择的因素；方案层是4个备选的流量管理策略。模型具体的层次结构如图5所示。

图5 层次结构

如图6所示，确定流量管理策略的流程为：

1）在准则层和方案层间构造模糊判断矩阵，用来评判各因素间相对于准则的重要性；

2）利用模糊判断矩阵，可计算出各个因素的权重向量；

3）将生成器输出的策略概率分布作为方案层的输入，通过将这些概率与权重向量相结合，利用模糊综合评价得到每一个策略的综合评价值，就能反映出这些策略在所有考虑因素下的总体表现；

4）根据综合评价值，选择评价值最高的策略作为最终的输出策略，那么该策略可视为当前情况下的最优流量管理策略。

图6 策略确定流程

06 验证试验

为了验证本文方法的有效性，在试验中采用一台配备有AMD Ryzen 7 5800H处理器、16 GB内存和256 GB+1 TB SSD的联想R7000P笔记本电脑作为硬件环境。使用Python为主要编程语言，模型设定训练迭代次数为80，学习率为0.000 1。先对模型进行训练，再使用均方误差（MSE）、最大均值差异（MMD）和KL 散度（KL divergence）作为评价参数。

在研究过程中，面对真实飞行数据不足的问题，本文采用模拟生成的方法进行数据集的合成，从而支持模型的训练和测试，该数据集包括8 000条数据，主要考虑了前面提及的关键因素，包括时间、天气状况、军事活动程度和空域容量等，确保数据的实用性。

考虑到试验数据的重要性，首先对数据进行了评估。通过计算真实数据和生成数据的平方差均值即MSE作为误差评估方法，广泛应用于数据生成和预测模型的性能评估。MSE计算公式如下：

在评估模型性能时，采用试验过程中达到的最优值以及最终5次迭代结果的平均值作为性能评估的指标。该方法可以确保不仅关注模型在某个特定时刻的表现，而且考虑了模型在多次迭代后的稳定性和一致性。试验结果（最小值）如表1所示。

表1 8000数据集试验结果（最小值）

考虑到仅使用最小值可能会有偏差，因此本文还选取了训练迭代指标的平均值进行评估，试验结果（平均值）如表2所示。

表2 8000数据集试验结果（平均值）

从表1和表2的MSE、MMD和KL散度这3个指标的数据看，模型在生成数据的质量上表现较好，尤其从MMD和KL散度2个指标看，均值数据较低，表明生成数据和真实数据分布之间差异较小，同时也体现了模型的优越性。为了更好地观察和分析天气状况、军事活动等复杂情况下的数据质量，本文还采用可视化图展示迭代过程的表现，变化趋势如图7所示。

图7 变化趋势

在完成模型训练后，对测试集数据进行策略类型的生成，该过程主要是结合生成器生成的策略类型概率和环境影响因素的权重得到各种策略的综合评价指标值，筛选其中值最大的策略类型作为推荐策略。其中环境因素（航班密度、空域容量、天气状况和军事活动）的权重通过两两对比方式确定其相对重要性，并使用1、3、5、7、9的模糊数值来描述2个因素间的重要性程度，通过该方法最终生成一个4×4的模糊判断矩阵，并利用该模糊判断矩阵来计算每个因素的权重。得到模糊判断矩阵如下：

得到影响因素权重如表3所示。

表3 影响因素权重

为了确保矩阵的自洽性以及保证评估结果的可信性，需要进行一致性检验。一致性指标和一致性比率都是用于衡量矩阵一致性程度的指标，计算公式如下：

表4 一致性指标

由表4的一致性指标值可见，表明一致性良好，符合要求。

部分测试集总结信息如表5所示。将数据通过编程逻辑转换后输入模型，先后经过GAN和模糊层次分析后得到4个策略的综合评价值以及推荐的策略类型。将本文方法推荐的策略类型与参考策略对比，以验证不同空中飞行场景下推荐策略类型的准确性。表6是依托表5列举的部分飞行场景，通过本文方法得到的不同场景下4种策略类型的综合评分、推荐策略以及参考策略。该表不仅清楚地展示了生成策略的准确性，而且可以看出模型对于策略的选择并不存在偏好性，保证了策略抉择的公平性。该试验结果表明本文方法在针对不同飞行环境下能够有效地给出一个比较合适的飞行流量控制策略，从而为空中交通管理人员科学决策提供参考，这对民航系统优化、减少延误具有重要作用。

表5 部分测试集总结信息

表6 策略综合评价值及推荐、参考策略

07 结束语

本文提出了一种基于GAN的空中飞行流量管理策略生成方法。在设计过程中，提出了基于GAN的空中飞行流量管理策略模型，并创新性地融合了模糊层次分析法以优化策略选择过程。其中，GAN的核心优势在于能够学习并模仿现有数据集的分布，生成新的、具有相似特征的样本。该智能化决策类型输出方法能够较大程度地简化在突发情况下的策略选择流程，节省时间成本，同时也能够增加在特殊情况下凭借管制员经验做出决策的容错。

本文为流量管理策略的输出提供了一种新思路，即利用机器学习和多标准决策相结合的思路，优化现有的空中交通管理流程，提高决策效率和效果。现实世界的空中交通管理是一个动态多变的系统，流量管制人员不能确保全天、全年的高效无差错管控，那么本文方法就可作为一个优化方案；该方法的应用场景广泛，例如在日常流量管理中用以平衡航班密度与空域容量，在拥堵繁忙场景下帮助识别瓶颈区域并辅助进行流量调控，同时还能根据不同环境信息去实时调整最优策略从而保障航空器安全。后续将在优化模型结构、添加更多实际限制条件、结合更多实际数据验证等方面开展进一步研究，以期推动空中交通管理领域的技术发展。

相关文献推荐：

孙建，徐秋程，汤闻易，等 . 基于 Schema 约束的空管领域知识抽取方法［J］. 指挥信息系统与技术，2025，16（1）：59-63.

汤闻易，吴聪，丁辉，等. 基于多尺度时空信息的空中交通流智能预测技术［J］. 指挥信息系统与技术，2024，15（5）：21-28.

张欣，葛昊，段续庭，等. 民用机场飞行区风险因素及耦合关系分析［J］. 指挥信息系统与技术，2024，15（5）：44-52.

王小乐，陈曦，田云钢，等. 空管时空数据分布式存储与快速查询［J］. 指挥信息系统与技术，2024，15（5）：53-59.

陈平，胡杰，鲍帆，等. 机场飞行区主动安全技术防范体系构建［J］. 指挥信息系统与技术，2023，14（5）：1-7.

贾玮，汤闻易，马宗民. 面向空管的时空知识图谱补全方法［J］. 指挥信息系统与技术，2023，14（4）：57-63.

沈堤，张哲，余付平，等.美军空中交通管制与空域控制对比分析［J］.指挥信息系统与技术，2022，13（5）：11-15.

张瀚月,段满珍,许亚男,等. 基于熵权物元可拓的空中交通流量管理策略效能评价[J]. 指挥信息系统与技术,2020,11(6):65-70.

张阳,程先峰,刘岩. 空中交通基于四维轨迹运行概念及其应用[J]. 指挥信息系统与技术,2020,11(5):5-10.

傅子涛. 地面延误程序在流量管理系统中的应用[J]. 指挥信息系统与技术,2018,9(6):80-84.

---

文章改编转载自微信公众号：中国指挥与控制协会

原文链接：https://mp.weixin.qq.com/s/sDvFkCw9wqIBhRTfLc8nrw