基于动态因果权重的机场滑行区风险传播建模

为什么跑道风险与每一位乘客息息相关

大多数航空旅客把安全问题主要放在起飞和着陆上，但令人意外的是，不少事故和险情发生在飞机滑行、穿越跑道或等待起飞的排队过程中。这些繁忙的“滑行区/移动区域”是飞行员、地面车辆、塔台、设备、天气和规程交汇的场所。小故障——听错指令、路面打滑、指示标志令人困惑——都可能串联成严重事件。本研究提出了一个务实而影响深远的问题：我们能否利用真实世界的数据和现代学习算法，识别这些风险如何积累和传播，从而及时加以遏制？

许多小问题，交织成一张网络

作者从这样一个观点出发：机场地面不是一条简单的失误链条，而是一个因果交织密集的网络。研究者基于2008至2021年间美国和中国机场的2,795起真实事件，记录了每一起事件的所有诱因：人为失误、设备故障、天气、标识不良、管理问题等。通过对报告文本进行分析并结合航空培训分类法，他们提炼出初始的98个可能因素。随后，他们采用改进的“灰色关联”方法——一种检验因素与事故随时间同步变动程度的手段——剔除弱关联。这一步剪枝后剩下63个始终重要的因素，涵盖能见度低、复杂跑道布局到无线电通信误差和维修延误等。

把事故变成一幅可演化的风险图

基于这63个要素，团队构建了一个模拟地面问题如何传播的网络。每个要素成为一个节点，节点间的箭头表示一个问题使另一个问题更可能发生——例如，塔台工作量大导致指令延误，进而为跑道侵入创造条件。不同于把所有节点同等对待的早期模型，这个网络区分了行为类型。有些节点会累积风险直到超过阈值，例如逐渐恶化的设备故障；而另一些节点充当制动器，如交叉核查和监控程序，能够吸收并缓解问题。模型还识别出不同的交互形态：直线链条、一个问题衍生出多个问题的分支树，以及多个小问题汇聚成一个大风险的会合路径。

随机场环境自适应的学习模型

构建这张图只是故事的一半；真正的挑战在于机场并非静态。客流量、人员配备、技术和规程会随时间变化，改变因素间的相互影响强度。为捕捉这种变化，作者提出了一个“容量—负荷”模型，在每条连边上引入动态权重。每个节点都有一个容量——它能承受的最大压力——以及一个不断变化的负荷——它当前承载的风险量。当负荷超过容量时，节点“失效”并将风险传递出去。流出风险的大小由一种名为因果卷积强化学习（CCRL）的专用算法学习控制。该算法从历史事件序列中挖掘模式，并在新数据到来时持续调整连接的强度。在实时应用中，系统摄取当前的交通、天气和运行数据，在不到十分之一秒内更新权重，并重新计算风险在场区上可能的传播方式。

找出真正关键的薄弱环节

为评估该方法的有效性，研究者将他们的动态模型与现有工具进行了比较，例如动态贝叶斯网络、向量自回归和时序图神经网络。以事件预测准确率为衡量标准，他们的方法表现最佳，略胜于深度学习且更具可解释性。随后他们定义了三项实用指标：节点风险影响指数（显示单一因素可能引发多少麻烦）、结构鲁棒性指数（衡量在某点遭受攻击时网络解体的容易程度）和网络扩散指数（概括故障可能传播的广度）。这些指标揭示了一些非显而易见的洞见。某些设备故障或通信问题，尽管并非网络中显著的“枢纽”，仍可能触发大规模级联；相反，一些高度连通的节点则相对无害。

对更安全、更顺畅航班的意义

对于机场运营者和监管机构而言，回报是更智能地优先分配有限的安全资源。团队在模拟不同控制策略时发现，随机强化节点或仅聚焦最具连通性的节点只能带来有限的整体风险降低。但针对其指标识别出的真正高影响节点进行干预，可将模型的风险扩散指数降低约五分之一。通俗地说，这项工作表明地面安全不仅仅是增加更多规则或更多人员；关键在于理解哪些具体的人、设备、环境和监督组合容易将平常的一天变成糟糕的一天，然后在问题雪崩前加固这些环节。随着更详尽的数据流入此类自适应模型，机场有望从被动应对事故转向主动预见事故——悄然使地面阶段的飞行像乘客对空中阶段的期待一样安全且平静。

引用: Wu, W., Lin, J., Wei, M. et al. Dynamic causal weighting-based risk propagation modeling for airport movement areas. Sci Rep 16, 5249 (2026). https://doi.org/10.1038/s41598-026-36059-3

关键词: 机场安全, 跑道风险, 航空事故, 风险传播, 强化学习