T/AOPA 0113-2026 民用无人驾驶航空器低空运行风险智能评估技术规范

ICS 03.220.50 CCS V54

准

团体 标

T/AOPA 0113—2026

民用无人驾驶航空器低空运行风险

智能评估技术规范

Technical specification for intelligent risk assessment of low-altitude operations of

civil unmanned aircraft

2026-06-27 发布 2026-06-27 实施

中国航空器拥有者及驾驶员协会发 布

T/AOPA 0113-2026

目次

前言 II

引言 III

1 范围 1

2 规范性引用文件 1

3 术语和定义 1

4 数据准备 2

4.1 数据采集 2

4.2 数据导入 6

5 数据清洗与分析 7

5.1 数据预处理 7

5.2 数据分析 8

5.3 特征提取与选择 8

5.4 风险量化评估 8

6 模型构建 9

6.1 训练数据集和测试数据集建立 9

6.2 机器学习算法选择 9

7 模型评估 10

7.1 评估指标确定 10

7.2 评估方法选择 10

7.3 模型评估实施 11

7.4 模型优化与迭代 11

7.5 评估结果输出 12

附录 A(资料性) 低空飞行运行风险评估相关参考资料 13

附录 B(资料性) 低空飞行运行风险等级相关参考资料 16

附录 C(资料性) 人工智能算法相关参考资料 17

附录 D(资料性) 风险评估报告模板框架相关参考资料 20

参考文献 21

I

前言

本文件按照GB/T 1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由中国航空器拥有者及驾驶员协会(中国AOPA)提出并归口。

本文件起草单位：苏州低空科技有限公司、苏州职业技术大学、东南大学、中国平安财产保险股份有限公司江苏分公司、中国太平洋财产保险股份有限公司苏州分公司。

本文件主要起草人： 张蔚、盛康康、赵婧怡、赵志强、陈峻、张世佳、金剑青、钱丹烨、吴少卿、张明。

II

引言

随着低空经济成为战略性新质生产力与产业数字化转型的核心构成，无人机在物流配送、电力巡检、应急救援、城市治理等领域的应用日益广泛，低空空域的飞行活动规模持续扩大。然而，低空飞行环境复杂多变，涉及运行环境、无人机本体、基础设施保障、运营人资质等多维度风险因素，各类风险的耦合叠加可能引发空域冲突、设备失控、安全事故等问题，严重制约低空经济的安全高效发展。

当前，我国正处于空域管理改革深化期，低空飞行安全监管面临诸多挑战：传统风险评估方法依赖人工经验，难以实现对多源异构数据的高效处理与精准分析;危险源识别维度不够全面，对基础设施保障能力、电磁环境干扰等新兴风险的覆盖不足;评估模型缺乏动态优化能力，难以适应低空飞行活动的规模化、多样化发展需求。在此背景下，构建科学、系统、智能的民用无人驾驶航空器低空运行风险评估体系，成为保障低空空域安全、促进低空经济高质量发展的关键支撑。

本文件基于人工智能技术，整合低空飞行相关的标准规范与实践经验，明确低空飞行运行的危险源识别维度、分析方法、评价流程及模型优化路径，旨在为低空飞行相关单位和机构提供统一、规范的风险评估技术依据。通过本文件的实施，将推动低空飞行风险评估从传统经验驱动向数据驱动、智能驱动转型，提升低空空域风险防控的精准性与前瞻性，为低空飞行活动的安全有序开展筑牢技术基础，助力构建“智能环境认知-分布式自主决策-弹性空域管理-可信验证体系 ”的低空安全治理新格局。

III

民用无人驾驶航空器低空运行风险智能评估技术规范

1 范围

本文件规定了民用无人驾驶航空器(以下简称“无人机 ”)低空运行风险数据准备、数据清洗、构建低空飞行运行风险模型、评估模型、飞行运行风险分析、评价流程和方案、及基于人工智能的风险评估模型改进与调优。

本文件适用于无人机运营单位进行无人机低空飞行活动的风险评估，可供无人机运营单位、省市二级低空飞行服务中心、省市二级低空智能网联系统建设运营主体、空中交通管理部门等低空飞行相关单位和机构使用。

2 规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件;不注日期的引用文件，其最新版本(包括所有的修改单)适用于本文件。

GB/T 35018—2018

民用无人驾驶航空器系统分类及分级

GB/T 39267—2020

北斗卫星导航术语

GB/T 42877—2023

气象数据服务接口规范

GB/T 43551—2023

民用无人驾驶航空器系统身份识别三维空间位置标识编码

GB 46860—2025 民用无人驾驶航空器唯一产品识别码

MH/T 4053—2022

民用无人驾驶航空器空中交通管理信息服务系统数据接口规范

3 术语和定义

下列术语和定义适用于本文件。

3.1

无人机风险 unmanned aerial vehicle risk

由无人机本体特性及系统设计缺陷引发的安全风险，包括无人机致害风险和安全冗余风险。

3.2

风险概率 risk probability

已识别的低空飞行运行风险发生的可能性，分为高、中、低三个等级。

3.3

严重程度 risk severity

风险发生后对人员安全、财产损失、运营秩序等方面造成的危害程度，分为高、中、低三个等级。 3.4

风险矩阵 risk matrix

综合风险概率等级和影响等级，确定风险优先级的工具。

3.5

风险特征 risk feature

描述无人机运行风险的量化指标，是机器学习模型的输入变量(X)。

3.6

1

训练数据集 training set

机器学习和深度学习模型开发的数据基础。为风险评估模型提供学习和推理的基础，数据的质量和多样性直接影响模型的性能和适应能力。

3.7

验证数据集 validation set

用于风险评估模型训练过程中的性能评估，在训练阶段检查模型的表现，并据此调整超参数，如学习率、网络层数、神经元数量等。

3.8

测试数据集 test set

是一组未参与训练和验证的数据，用于检验训练完成后的模型对新数据的预测能力，其结果被视为模型泛化能力的最终指标。

3.9

模型训练 model training

通过机器学习算法迭代优化模型参数，使风险评估模型拟合风险特征与风险矩阵之间的映射关系，实现风险精准预测的过程。

3.10

风险评估模型 risk assessment model

基于机器学习算法构建，以运行风险特征为输入、风险矩阵为输出，用于实现风险自动评估、预测的模型。

3.11

泛化能力 generalization ability

机器学习模型对未见过的数据的预测能力，是评估风险模型实用性的核心指标。

3.12

过拟合 overfitting

机器学习模型过度拟合训练数据集的噪声与细节，导致模型在测试数据集上预测精度下降、泛化能力变差的现象。

3.13

数据清洗 Data cleaning

对数据进行重新审查和校验，删除重复信息、纠正存在的错误，并提供数据一致性的过程。

4 数据准备

4.1 数据采集

4.1.1 下垫面风险

低空飞行所用空域或航线的地表地面的风险情况，应包括但不限于地形类型、用地类型、建构筑物、人口密度、地面灾害等指标。

4.1.2 空域风险

低空飞行所用空域或航线的空中的风险情况，按照MH/T 4053-2022的规定，应包括但不限于空域分类、空域高度、航线密集度、通信情况、导航情况、气象情况、电磁干扰情况、飞行活动密集度、临时空域管制指令等内容。

4.1.3 无人机致害风险

2

无人机本体的风险情况，按照GB/T 35018—2018的规定，应包括但不限于执行飞行活动时的飞行速度、飞行平台构型分类(旋翼、固定翼等)、重量尺寸(微、轻、小、中、大)和能量来源(电能源、油动力、太阳能、氢能源等)分类、续航时长、产品缺陷与召回等内容。

4.1.4 安全冗余风险

在无人机飞行系统和传感系统上未采取或未全部采取冗余设计和配置所产生的风险，应包括但不限于传感器冗余备份(双惯导、双气压计、北斗 GPS 等)、动力系统双链路备份、双智能电池备份、降落伞等内容。

4.1.5 通信设施保障风险

由于低空通信设施的保障能力不足或运行异常所产生的风险，涵盖通信链路可靠性、传输性能、覆盖质量等关键维度，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)：通信设备无故障连续运行的平均时长，反映设备长期运行稳定性;

b) 平均修复时间(MTTR)：通信设施发生故障后，从故障发现到恢复正常运行的平均时长，体现运维响应效率;

c) 可用性比率：通信设施在规定时间内正常提供服务的概率(例如 99.99%)，应满足不同飞行场景对通信连续性的要求;

d) 传输性能指标：包括通信带宽、数据传输速率、时延、丢包率等，应适配无人机遥控指令、任务数据、视频流等不同类型数据传输需求;

e) 覆盖质量：通信信号的覆盖范围、覆盖均匀性，重点关注低空航路、起降点、城市峡谷、复杂地形等区域的覆盖盲区情况;

f) 抗干扰能力：抵御工业电磁噪声、多径衰落、同频干扰等外部干扰的能力，确保复杂电磁环境下通信链路稳定性;

g) 冗余设计：是否具备双链路备份、多运营商网络切换等冗余机制，降低单点故障导致的通信中断风险。

4.1.6 导航设施保障风险

由于低空导航设施的保障能力不足或定位精度不达标所产生的风险，直接影响无人机飞行轨迹控制

与空间位置感知，详见附录A.1，按照GB/T 39267-2020的规定，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)：导航设备(如北斗地基增强站、GNSS 接收机等)无故障运行的平均时长;

b) 平均修复时间(MTTR)：导航设施故障后的平均恢复时长，应满足应急飞行场景下的快速恢复需求;

c) 可用性比率：导航服务在规定时间内正常提供的概率(例如 99.99%)，保障飞行全流程定位连续性;

d) 定位精度：包括水平定位误差、垂直定位误差、位置更新频率等指标，应适配不同飞行任务(如物流配送、精密巡检)的精度要求;

e) 覆盖质量：导航信号的覆盖范围、信号强度稳定性，重点关注室内外过渡区域、高层建筑密集区、偏远郊区等区域的覆盖盲区;

f) 抗干扰能力：抵御 GNSS 欺骗、压制干扰、多径效应等影响的能力，确保定位数据真实性与可靠性;

g) 辅助导航能力：是否具备惯性导航、视觉导航等辅助导航手段的融合支撑，应对导航信号临时中断场景。

3

4.1.7 监视设施保障风险

控

由于低空监视设施的探测能力、数据传输、识别精度不足所产生的风险，影响对飞行目标的实时监

与态势感知，详见附录 A.1，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)：监视设备(如 ADS-B 接收机、雷达、光电跟踪设备、5G-A 通感一体基站等)无故障运行的平均时长;

b) 平均修复时间(MTTR)：监视设施故障后的平均恢复时长，避免监控空白窗口过长;

c) 可用性比率：监视系统在规定时间内正常采集、传输数据的概率(例如 99.99%);

d) 探测性能：包括探测范围、探测距离、探测概率、虚警率、漏警率等指标，应覆盖低空航路、重点防护区、起降点等关键区域;

e) 识别精度：对飞行目标的机型、身份、飞行参数(速度、高度、航向)的识别准确率，支持目标合规性判断;

f) 数据传输时效：监视数据从采集到传输至管控平台的时延，满足实时监控与应急响应需求;

g) 多源融合能力：是否支持雷达、ADS-B、Remote ID、视觉等多源监视数据的融合处理，提升复杂环境下的目标监测可靠性。

4.1.8 气象设施保障风险

行

由于低空气象设施的监测能力、数据精度或服务时效性不足所产生的风险，影响飞行计划制定与飞

过程中的气象风险应对，详见附录A.1，按照GB/T 42877—2023的要求，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)：气象监测设备(如自动气象站、激光测风雷达、大气电场仪等)无故障运行的平均时长;

b) 平均修复时间(MTTR)：气象设施故障后的平均恢复时长，保障气象数据采集连续性;

c) 可用性比率：气象服务在规定时间内正常提供的概率(例如 99.99%);

d) 监测精度：对温度、湿度、风速、风向、能见度、降水量、气压、风切变、湍流等气象要素的监测误差，应满足低空飞行气象预警需求;

e) 覆盖密度：气象监测站点的空间分布密度，重点保障低空航路沿线、起降点周边、复杂地形区域的气象监测覆盖;

f) 数据更新时效：气象数据的采集频率、传输时延及预报更新周期，支持实时气象风险预警与飞行调整;

g) 服务适配性：是否针对低空飞行场景提供精细化气象产品(如航路气象预报、起降点气象实况、特殊天气预警)。

4.1.9 电磁频率设施保障风险

由于低空电磁频谱设施的规划不合理、管控不到位或保障能力不足所产生的风险，可能导致频谱冲突、信号干扰等问题，详见附录 A.1，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)： 电磁频谱监测、管控设备无故障运行的平均时长;

b) 平均修复时间(MTTR)： 电磁频谱设施故障后的平均恢复时长，确保频谱动态管控连续性;

c) 可用性比率：电磁频谱设施在规定时间内正常提供频谱监测、分配、干扰排查服务的概率(例如 99.99%);

d) 频谱监测能力：对低空常用频段(如 2.4 GHz、5.8 GHz、GNSS L1 频段)的信号监测覆盖、干扰源识别精度及时效性;

e) 频谱分配合理性：是否根据飞行任务类型、飞行器类型、空域用途进行科学的频谱规划，避免同频干扰;

4

f) 干扰处置能力：对非法用频、恶意干扰等行为的快速定位与处置效率，保障合法飞行的频谱使用安全;

g) 频谱资源储备：是否预留应急通信、特殊任务飞行所需的频谱资源，满足突发场景下的频谱保障需求。

4.1.10 反制设施保障风险

由于低空反制设施的部署不足、性能不达标或使用不当所产生的风险，可能导致非法飞行目标无法及时处置或误扰合法飞行，详见附录 A.1，包括但不限于以下内容：

a) 平均故障间隔时间(MTBF)：反制设备(如无人机侦测反制车、手持反制设备、固定反制基站等)无故障运行的平均时长;

b) 平均修复时间(MTTR)：反制设施故障后的平均恢复时长，保障重点区域反制能力快速恢复;

c) 可用性比率：反制设施在规定时间内正常具备侦测、识别、处置能力的概率(例如 99.99%);

d) 反制性能指标：包括反制距离、反制范围、反制响应时间、有效反制机型类型等;

e) 精准识别能力：对非法飞行目标与合法飞行目标的区分精度，避免误反制风险;

f) 部署合理性：反制设施的部署位置、覆盖范围是否与重点防护区、低空航路等风险区域匹配;

g) 合规性要求：反制设施的使用是否符合无线电管理、空域管理等相关规定，避免对公共通信、导航系统造成二次干扰。

4.1.11 备降点保障风险

由于备降点的规划布局、设施条件或运维管理不足所产生的风险，影响紧急情况下无人机的安全迫降与应急处置，详见附录 A.1，包括但不限于以下内容：

a) 备降点密度：在低空航路沿线、飞行作业区域周边的备降点数量与空间分布合理性，确保应急情况下可快速抵达;

b) 备降点面积：备降点的可用起降面积，应适配对应类型无人机的起降需求;

c) 备降点等级：根据场地平整度、承载能力、净空条件、应急设施配置等划分的等级，明确不同等级备降点的适用场景;

d) 可用性比率：备降点在规定时间内具备使用条件的概率(例如 99.99%)，包括场地无障碍物、应急设备完好等;

e) 场地条件：包括地面平整度、承载能力、排水性能、净空环境(无高大障碍物、无电磁干扰源)等;

f) 配套设施：是否配备应急供电、通信、消防、救援设备等，支持紧急情况下的无人机处置与人员保障;

g) 运维管理：备降点的定期检查、维护记录，以及紧急使用时的调度机制与信息发布渠道。

4.1.12 运营人合规风险

无人机运营单位在资质、流程方面的合规风险，包括但不限于营业执照、经营范围、企业信用等级、民用无人驾驶航空器运营合格证、批复空域或航线、飞行计划申报、亡人率(人/万小时)及其他必须的资质认证等内容，详见附录 A.2。

4.1.13 执飞方式风险

因采取不同的执飞方式产生的风险，包括但不限于全程程控、全程人工控制、程控/人工控制混合等内容。

4.1.14 无人机操控员风险

5

无人机操控员自身的风险，包括但不限于民用无人驾驶航空器操控员资质、飞行时长、年龄、健康情况、行政处罚情况、诉讼情况、刑事犯罪情况、无人机操控员配置情况等内容。

4.1.15 无人机飞行控制系统风险

无人机飞行控制系统自身存在的风险，包括但不限于功能缺陷、性能缺陷、可用性比率(例如99.99%)等内容。

4.1.16 历史异常事件风险

同一飞行运行人或者其他飞行运行人执飞相同及类似空域或航线的历史异常事件的风险，包括但不限于空域入侵、超高飞行、航向偏离、碰撞、失控、坠机等内容，详见附录 A.3。

4.2 数据导入

4.2.1 数据来源与合规检验

应明确本次风险评估所需全部数据的来源渠道，完成合规性、可用性及相关性校验，确保数据支撑风险评估的科学性与合规性。按照GB/T 43551—2023的要求，避免出现数据缺失、坐标偏差等问题;按照GB 46860—2025的要求，避免出现数据重复问题;按照MH/T 4053—2022的要求，确保设备运行风险相关数据真实可追溯，杜绝无效、虚假数据导入。

4.2.2 数据安全与隐私保护

应明确本次风险评估所需全部数据的数据安全与隐私保护要求，按照《网络安全法》、《数据安全法》、《个人信息保护法》等法律法规的要求执行，避免出现数据非法使用、个人隐私泄露等问题。

4.2.3 数据读取与加载

根据各类数据的格式特性，采用针对性的读取方式，将多源异构数据统一加载至项目开发与分析环境，形成标准化的结构化数据对象，应按照以下步骤进行：

a) 结构化数据读取：应对下垫面风险、空域风险、无人机致害风险、保障设备风险及运营相关的表格类数据(如Excel、CSV格式)，通过专业数据处理工具定向读取，按字段定义完成数据解析，保留核心字段(如地形类别、空域等级、设备故障类型、飞手资质等级等)，剔除无关冗余字段;

b) 非结构化数据读取：应对勘察报告、检测报告、运行日志等文本类数据，通过文本解析工具提取关键信息，转化为结构化数据格式;对于飞控系统运行参数、设备实时监测等时序数据，按时间戳完成排序与读取，确保时序连续性;

c) 数据统一加载：应将各类读取完成的数据，统一加载至项目指定的数据库与分析环境，建立数据关联索引，确保不同类型风险数据之间可实现交叉关联查询(如空域风险与下垫面风险的空间关联、无人机致害风险与飞手执飞数据的关联等)，为后续风险评估模型构建奠定基础。

4.2.4 数据初步校验与异常处理

数据加载完成后，开展多维度基础校验工作，及时排查数据异常，保障导入数据的准确性与可用性：

a) 数据完整性校验：应核查各类数据的样本总量、字段完整性，重点校验核心风险数据(如无人机故障记录、空域使用限制、飞手执飞资质等)是否存在缺失，对缺失数据标注缺失类型，同步反馈相关数据提供单位补充完善;

6

b) 数据准确性校验：应核对数据内容与原始来源文件的一致性，排查坐标偏差(如下垫面地形坐标)、参数错误(如设备性能参数)、逻辑矛盾(如飞手资质与执飞记录不匹配)等问题，对异常数据进行标注与修正;

c) 数据规范性校验：应统一数据格式与单位(如高度单位、时间格式、风险等级划分标准)，将不同来源的同类数据规范为统一标准;识别数据类型(数值型、类别型、时序型)，确保数据类型与风险评估模型的输入要求一致;

d) 异常数据处理：应对校验中发现的重复数据、无效数据进行删除，对异常数据(如极端值、逻辑错误数据)进行单独标注，结合风险评估需求判断是否保留，形成异常数据处理记录，确保导入数据的纯净度。

4.2.5 数据分类整理与关联

结合低空无人驾驶航空器风险评估的核心逻辑，对导入的数据进行分类整理，建立多维度数据关联关系，明确数据与风险评估指标的对应关系：

a) 数据分类归档：应按风险类型将数据划分为下垫面风险数据集、空域风险数据集、无人机致害风险数据集、保障设备风险数据集、运营管理数据集五大类，每类数据集单独归档，明确数据字段含义、来源及用途，形成数据说明文档;

b) 关联关系建立：应基于风险评估逻辑，建立各类数据之间的关联，如下垫面风险数据与空域风险数据通过空间坐标关联，无人机致害风险数据与飞手执飞数据、飞控设备数据通过无人机编号关联，保障设备风险数据与空域风险数据通过区域范围关联，确保各类风险数据可协同支撑风险评估分析;

c) 数据适配调整：应根据后续风险评估模型的输入需求，对分类整理后的数据集进行结构调整，提取核心特征字段，规范数据输出格式，形成可直接用于模型训练、风险分析的标准化数据集。

4.2.6 数据导入成果确认

完成上述全部步骤后，应对数据导入成果进行全面审核确认，重点确认以下内容：数据完整无缺失、格式规范统一、关联关系准确、异常数据处理到位，各类数据集可有效支撑下垫面、空域、无人机致害、保障设备及运营管理等多维度风险评估工作。审核通过后，输出数据导入成果报告，明确数据总量、各数据集规模、核心字段及数据质量评估结果，正式完成数据导入工作，为项目下一阶段的数据预处理、风险评估模型构建提供标准化、高质量的数据支撑。

5 数据清洗与分析

5.1 数据预处理

数据预处理以“修正数据缺陷、统一数据标准、提升数据质量 ”为核心，针对数据分析环节发现的问题，结合低空飞行风险评估的实际场景，开展针对性处理，具体处理内容如下：

a) 缺失值处理：应针对数据导入、分析阶段发现的缺失数据，结合数据类型及实际业务场景采用合理方法补充完善。对于数值型数据(如设备运行参数、地形高度)，采用插值法、均值法补充，确保数据连续性;对于类别型数据(如飞手资质等级、空域类型)，采用众数法或结合业务规则补充，避免缺失数据影响评估结果;对无法补充的无效缺失数据，进行标注后合理剔除;

b) 异常值处理：应按照MH/T 1069—2018的要求、设备参数阈值及实际业务场景，界定异常数据判定标准，对前文识别的极端值、逻辑矛盾数据(如飞手无资质却有执飞记录、设备参数超出正常运行范围)进行修正或剔除。对可修正的异常数据，结合原始数据源及业务逻辑进行调整;对无法修正的无效异常数据，单独归档并说明原因，确保保留数据的真实性与合理性;

7

c) 数据标准化：应针对不同来源、不同量纲的数据(如下垫面高度、设备运行时间、飞行距离)，采用标准化处理方法消除量纲影响，统一数据评估尺度，确保各类数据能够协同参与后续特征提取及模型训练，避免因量纲差异导致的分析偏差;

d) 数据格式统一：应规范数据格式，统一时间、坐标、单位等关键信息的表述标准，如统一时间格式为YYYY—MM—DD HH:MM:SS，统一坐标为2000国家大地坐标系(CGCS2000)、1985国家高程基准，统一高度单位为米，确保数据格式一致、可直接复用。

5.2 数据分析

分析数据环节以数据导入并校验完成的标准化数据集为核心基础，应紧扣低空无人驾驶航空器风险评估需求，衔接前文数据导入成果，通过针对性分析挖掘数据价值，为后续数据清洗、特征处理及风险模型构建提供明确方向，具体实现内容如下：

结合项目聚焦的下垫面风险、空域风险、无人机致害风险、保障设备风险及运营管理相关数据，开展多维度数据探索分析，明确各类数据的分布特征、核心规律及潜在关联。重点分析不同风险类型对应数据的取值范围、分布趋势，详见附录B，初步识别数据与低空飞行风险的关联关系，如下垫面地形数据与飞行事故发生率的关联、飞手执飞经验与无人机操控失误的相关性、保障设备运行参数与故障发生概率的对应关系等。

5.3 特征提取与选择

基于数据预处理后的高质量数据集，结合低空无人驾驶航空器风险评估的核心需求，开展特征提取与选择工作，筛选出能够精准反映各类风险的核心特征，剔除冗余、无关特征，优化数据结构，降低后续模型训练复杂度，具体工作如下：

a) 特征提取：应针对不同类型的数据集，采用针对性方法提取核心特征。对于下垫面风险数据，提取地形类别、建筑物高度、人口密度、地质灾害等级等核心特征;对于空域风险数据，提取空域等级、使用饱和度、飞行冲突概率等核心特征;对于无人机致害风险数据，提取无人机型号、故障类型、使用年限等核心特征;对于保障设备风险数据，提取设备运行稳定性、故障频率、性能参数等核心特征;对于运营管理数据，提取飞手执飞资质、执飞经验、设备维护频率等核心特征。同时，对类别型特征进行编码处理，将非数值型特征转化为可用于模型训练的数值型特征;

b) 特征选择：应结合风险评估指标体系，采用合理的特征选择方法，筛选出与低空飞行风险关联性强、区分度高的核心特征，剔除冗余特征、无关特征及多重共线性特征。通过分析特征与风险评估目标的相关性、特征之间的关联度，保留能够精准反映风险水平的关键特征，确保特征集简洁、高效，既能够支撑风险模型构建，又能降低模型训练成本、提升模型运行效率，为后续训练数据集、测试数据集的建立奠定基础。

5.4 风险量化评估

5.4.1 风险概率分析

应结合预处理后的数据及提取的核心特征，对已识别的各类低空飞行运行风险(下垫面风险、空域风险、无人机致害风险、保障设备风险、运营管理风险)进行概率分析。通过统计各类风险的历史发生频率、关联特征影响程度，结合低空飞行实际场景，对每类风险的发生概率进行量化测算，并分配对应的概率等级，具体划分为高、中、低三个等级，明确各类风险发生的可能性大小。

5.4.2 严重程度分析

8

应针对已识别的各类低空飞行运行风险，分析其发生后可能造成的影响范围与严重程度，重点从人员安全、财产损失、运营秩序、公共安全等维度开展影响评估。结合行业标准及项目评估需求，量化各类风险的影响程度，分配对应的影响等级(高、中、低)，明确各类风险发生后对低空飞行运行安全的危害程度。

5.4.3 风险等级判定标准

按照民用航空器事件技术调查规定的要求，应明确等级判定标准，详见附录B，避免主观偏差：

a) 概率等级：高概率(风险年发生频次≥12)、中概率(风险年发生频次 3～11)、低概率(风险年发生频次<3);

b) 影响等级：高影响(按照民用航空器事件技术调查规定中第四条的重大事故及以上)、中影响(按照民用航空器事件技术调查规定中第四条的较大事故)、低影响(按照民用航空器事件技术调查规定中第四条的一般事故或轻微影响)。

5.4.4 风险矩阵构建

综合已识别的各类低空飞行运行风险的概率等级和影响等级，应构建风险矩阵模型。以风险概率为横轴、严重程度为纵轴，将各类风险对应录入矩阵相应象限，明确各类风险的综合等级(高风险、中风险、低风险)，详见附录B。

5.4.5 风险优先级排序

基于风险矩阵构建结果，应对各类低空飞行运行风险进行优先级排序。优先聚焦高概率、高影响的高风险事项，其次关注高概率、中影响、中概率+、高影响的中高风险事项，最后梳理低概率、低影响的低风险事项。

6 模型构建

6.1 训练数据集和测试数据集建立

应结合采集的 16 类风险特征及数据清洗后提取出的核心特征，采集民用无人驾驶航空器低空运行相关的风险数据，按照合理比例划分训练数据集、验证数据集和测试数据集，为后续机器学习算法选择、模型创建及训练提供符合要求的数据源，具体步骤如下：

a) 数据采集：围绕核心风险特征，采集无人机飞行实际及仿真数据，保证数据完整多样;

b) 数据预处理：对原始数据进行清洗、去重、异常值处理及标准化，确保数据符合模型训练要求;

c) 数据集划分：按7 :2 :1比例将预处理后的数据划分为训练、验证、测试数据集，确保三者独立;

d) 数据集存储：按规范格式存储三类数据集，留存原始数据及预处理记录，确保可追溯复用。

6.2 机器学习算法选择

结合低空无人机运行风险评估的核心需求，基于本文件定义的机器学习技术，应选择适配 16 类风险特征、能够精准拟合风险特征与风险矩阵映射关系的不少于 3 种机器学习算法，分别分析各算法优缺点，最终筛选出最优算法。优先选择泛化能力强、抗过拟合、适配多维度风险数据的算法，确保构建的风险评估模型能够实现无人机运行风险的精准识别、分类与预测。

a) 导入算法：基于Python编程语言及主流机器学习库，导入适配低空无人机运行风险评估的多种机器学习算法，结合风险评估模型的构建需求，宜导入随机森林、XGBoost、决策树、K近邻、支持向量机(SVM)、多层感知机(MLP)6类核心算法，各算法核心参数、参数说明等详见附录C，所有导入的算法应适配训练数据集、验证数据集的格式要求，能够高效读取16类风险特

9

征数据，为后续模型创建、训练、优缺点分析及最优算法选择提供算法支撑。推荐算法类型为随机森林、XGBoost、MLP等。

b) 创建模型：基于导入的多种机器学习算法，结合低空无人机运行风险评估的实际需求，宜分别创建对应的风险评估模型，模型创建需贴合16类风险特征的特点，合理设置模型初始参数，避免初始参数不合理导致模型训练效果不佳、过拟合等问题，详见附录C。

c) 训练模型：模型创建完成后，以训练数据集为基础，宜分别对导入的6类算法模型开展模型训练，通过各机器学习算法迭代优化模型参数，使风险评估模型拟合16类风险特征与风险矩阵之间的映射关系，同时结合验证数据集调整超参数，避免过拟合。

d) 最优算法选择：结合低空无人机运行风险评估的核心需求，宜综合6类算法的优缺点及模型训练、验证效果，筛选出随机森林算法作为推荐算法之一，选择依据如下：

1) 适配性强：能够完美适配16类多维度风险特征，无需复杂的特征降维处理，契合无人机风险数据的多维度特点，可直接接收特征提取后的核心数据输入。

2) 抗过拟合能力突出：相较于决策树、MLP等算法，随机森林通过集成多棵决策树，有效降低过拟合概率，适配无人机风险数据中可能存在的噪声和异常值，稳定性更强。

3) 训练效率与预测精度平衡：训练速度优于XGBoost、SVM、MLP算法，可快速完成模型训练，同时预测精度接近XGBoost算法。

7 模型评估

7.1 评估指标确定

结合低空飞行风险评估的核心需求、16类风险特征的特性，以及不少于3种算法(随机森林、XGBoost、决策树、K近邻、SVM、MLP等)的算法特点，详见附录C，兼顾模型预测性能与实际应用价值，应确定多维度评估指标，覆盖模型精度、稳定性及实用性，确保评估结果全面、客观，同时突出不同算法的优势对比，具体指标如下：

a) 核心精度指标：精准率(Precision)、召回率(Recall)、F1分数(F1-Score)，重点评估6类模型对3类风险优先级(高、中、低)的识别与分类精度，尤其聚焦高优先级风险的召回率(宜不低于90%)，核心指标整体达标率不低于90%，适配16类风险特征的综合研判需求，同时对比不同算法在精度指标上的差异;

b) 泛化能力指标：交叉验证得分(Cross-Validation Score)、测试集准确率(Test Set Accuracy)，评估6类模型在未见过的低空飞行风险数据中的适配能力，避免模型过拟合或欠拟合，重点验证模型对16类风险特征的拟合效果，确保模型能够适应不同场景下的低空飞行风险评估需求，筛选出泛化能力最优的算法模型;

c) 实用性指标：模型运行效率(单次评估响应时间)、风险等级划分一致性，评估6类模型的实际可操作性，要求单次风险评估响应时间不超过30秒，模型划分的风险等级与人工评估结果一致性不低于85%; 同时结合算法特性，评估模型可解释性(如决策树模型的规则可解释性)，适配实际运营中的快速风险研判及风险规则输出需求;

d) 稳定性指标：模型重复运行误差、不同数据集适配误差，评估6类模型在多次运行及不同批次数据输入下的稳定性，确保模型输出结果具有可重复性，误差控制在5%以内;重点验证模型对16类风险特征微小变化的敏感度，避免因特征数据波动导致评估结果偏差。

7.2 评估方法选择

10

结合项目风险评估场景、6类模型的算法特性、16类风险特征的数据特点， 以及创建模型时设置的参数，采用针对性的评估方法，确保评估过程科学、可落地，同时宜实现6类模型的横向对比，具体方法如下：

a) 交叉验证法：采用10折交叉验证，复用算法导入的train_test_split工具，将训练数据集随机划分为10个等份，轮流使用9份作为训练集、1份作为验证集，重复10次训练与验证，计算10次验证结果的平均值作为6类模型泛化能力的评估依据，有效避免单一划分数据集导致的评估偏差，同时对比不同算法的交叉验证得分差异;

b) 测试集独立评估：将划分好的测试数据集(占总数据集的20%～30%)分别输入训练完成的6类风险模型，调用模型预测接口获取各类模型的预测结果，与测试集真实风险优先级(风险矩阵输出结果)进行对比，计算各类模型的精准率、召回率、F1分数及测试集准确率，量化验证各类模型的预测精度，筛选精度最优模型;

c) 人工对比验证：选取典型低空飞行风险案例(涵盖高、中、低各类风险优先级，包含16类风险特征的完整数据)，将6类模型的评估结果与行业专家人工评估结果进行对比，重点分析模型在复杂场景下的评估偏差原因，同时评估不同模型的可解释性(如决策树模型的规则输出、 XGBoost模型的特征重要性)，验证模型风险等级划分的合理性与实用性;

d) 稳定性测试：将同一批次16类风险特征数据及不同批次补充数据多次输入6类模型，记录每次模型输出结果，计算各类模型的重复运行误差;同时输入不同区域、不同场景的低空飞行风险数据(保持16类特征维度一致)，评估各类模型在多样化场景下的适配稳定性，对比不同算法的稳定性差异;

e) 算法对比评估：基于上述评估方法，对6类模型的各项评估指标进行横向对比，详见附录C，分析各类算法的优缺点(如随机森林抗过拟合、决策树可解释性强、MLP适配复杂特征映射、SVM适配高维数据)，结合项目实际需求(精度、效率、可解释性)，初步筛选出最优适配模型。

7.3 模型评估实施

应按照“指标量化→方法落地→ 结果分析→算法对比” 的流程，有序开展模型评估工作，结合导入的算法库和创建的模型参数，确保评估过程规范、结果可靠，具体实施步骤如下：

a) 评估环境搭建：搭建与模型创建一致的评估环境，确保Python版本、相关依赖库(pandas、numpy、 scikit-learn、xgboost、tensorflow等)版本、硬件配置与训练环境统一，调用joblib工具加载训练完成的6类模型，避免环境差异导致的评估误差;

b) 评估数据准备：整理划分好的测试数据集、典型案例数据及补充验证数据，确保数据格式与6类模型的输入要求一致(输入维度为16类风险特征，输出维度为3类风险优先级)，数据质量符合评估标准，剔除无效、异常数据，保障评估数据的可靠性;

c) 指标量化计算：调用导入的相关工具库，按照确定的评估指标，分别计算6类模型在测试集、交叉验证及稳定性测试中的各项指标数值，形成量化评估报表，明确各类模型各项指标的达标情况及横向对比结果;

d) 多方法综合评估：依次采用交叉验证法、测试集独立评估、人工对比验证及稳定性测试，全面评估6类模型的性能，重点验证模型对16类风险特征的适配效果，记录各方法的评估结果，形成多维度评估结论，重点标注各类模型的优势与不足;

e) 评估结果分析：对比各项评估指标的预设标准，分析6类模型存在的优势与不足，重点排查高优先级危险源识别偏差、模型泛化能力不足、运行效率偏低等问题，明确偏差原因(如模型参数设置不合理、16类特征权重分配不均、算法适配性不足等);同时通过横向对比，明确各类算法的适配场景。

7.4 模型优化与迭代

11

基于模型评估结果及6类算法的对比分析，针对存在的不足，应按照贝叶斯优化的原理，结合模型创建时的初始参数设置、16类风险特征的特性，开展模型优化工作，形成“评估→优化→再评估 ”的闭环迭代机制，确保模型性能持续提升，具体优化措施如下：

a) 参数优化：针对各类模型算法参数不合理导致的评估偏差，结合评估结果调整算法超参数(如随机森林的n_estimators、max_depth，XGBoost的learning_rate，MLP的隐藏层神经元数量等)，通过多次调试，结合验证集数据确定各类模型的最优参数组合，提升模型预测精度与稳定性;

b) 数据优化：针对数据样本不足、16类风险特征分布不均导致的泛化能力不足，补充不同场景、不同类型的低空飞行风险数据，优化训练数据集与测试数据集的分布，重点完善高优先级风险的样本数据，提升模型对高风险事项的识别能力;

c) 算法优化：结合6类模型的对比评估结果，筛选出2～3类综合性能最优的算法(如随机森林、 XGBoost、MLP)，引入算法融合策略，弥补单一算法的局限性;同时针对16类风险特征，优化特征权重分配，提升模型对核心风险特征的敏感度，进一步提升模型分类精度;

d) 迭代验证：完成优化后，再次采用相同的评估指标与方法对优化后的模型进行评估，验证优化效果，若仍未达标，重复优化流程，直至模型各项评估指标均满足预设标准，最终筛选出1-2类最优适配低空无人机运行风险评估的模型，确保模型能够高效处理16类风险特征数据、精准输出风险优先级。

7.5 评估结果输出

完成模型评估与优化后，应输出完整的模型评估报告，明确评估过程、评估指标、评估结果、优化措施及最终模型性能，结合导入的算法、创建的模型，具体包含以下内容：6类模型各项评估指标的量化结果及横向对比表、各类模型的达标情况分析、不同算法的优缺点对比、模型优化方案及优化效果、最终筛选出的最优模型及其参数设置、模型对16类风险特征的适配说明、模型的适用场景与使用说明。评估报告应作为项目成果的重要组成部分，为模型的实际应用、后续迭代升级及风险防控方案制定提供

科学依据，确保低空飞行运行风险模型能够有效服务于项目核心目标。

12

附录 A

(资料性)

低空飞行运行风险评估相关参考资料

A.1 基础设施运行数据采集表

基础设施运行数据采集参考表 A.1。

表 A.1 基础设施运行数据采集表

设施类型

指标名称

单位

数值

采集时间

采集周期

采集方式

备注

通信设施

平均故障间隔时间(MTBF)

h

实时监测 / 定期统计

平均修复时间(MTTR)

运维记录统计

可用性比率

%

系统自动计算

通信时延

ms

实时采集

丢包率

覆盖盲区范围

km²

实地勘测 + 系统分析

导航设施

水平定位误差

m

垂直定位误差

位置更新频率

次 / 秒

监视设施

探测距离

km

实地测试

探测概率

系统统计

13

表 A.1 基础设施运行数据采集表(续)

虚警率

数据传输时延

气象设施

温度监测误差

℃

校准测试

风速监测误差

m/s

数据更新频率

次 / 分钟

电磁频率设施

干扰源识别精度

反制设施

反制距离

反制响应时间

s

实时测试

备降点

密度

个 / 100km²

地理信息统计

面积

m²

实地勘测

等级

级(1-5 级)

综合评估

定期核查

14

A.2 飞行运营数据采集表

飞行运营数据采集参考表 A.2。

表 A.2 飞行运营数据采集表

飞行 任务 编号

运营 人名 称

运营 人资 质编 号

飞行 计划 编号

航线 名称

航线 起止 点

飞行 高度 范围

本次 飞行 时长

执飞 方式

无人 机型 号

无人机重量等级

操控员姓名

操控员资质编号

操控员累计飞行时长

飞行日期

-----------

-----

--------

----

-------

---

A.3 历史异常事件数据采集表

历史异常事件数据参考表 A.3。

表 A.3 历史异常事件数据采集表

事件编号

事件发生时间

事件发生地点

涉及无人机型号

运营人名称

事件

类型

事件描述

影响范围

损失情况

处置措施

事件原因分析

改进建议

15

附录 B

低空飞行运行风险等级相关参考资料

B.1 风险概率等级划分

风险概率等级划分参考表 B.1。

表 B.1 风险概率等级划分

概率等级

判定标准

参考范围(年发生频次)

高

风险事件极有可能发生，发生概率高

≥12 次 / 年

中

风险事件可能发生，发生概率中等

4～11 次 / 年

低

风险事件发生概率低，偶有发生

≤3 次 / 年

B.2 严重程度等级划分

严重程度等级划分参考表 B.2，人员安全影响、财产损失影响、运营秩序影响、环境影响等维度之间是或的关系。

表 B.2 严重程度等级划分

影响等级

人员安全影响

财产损失影响

运营秩序影响

环境影响

造成人员伤亡

直接经济损失≥100万元

导致区域低空空域关闭≥24 小时，大量飞行任务取消

造成严重环境污染或生态破坏

造成人员重伤

50 万元≤直接经济损失<100 万元

导致区域低空空域关闭 6～23 小时，部分飞行任务取消

造成一定程度环境污染或生态影响

造成人员轻微受伤

直接经济损失<50万元

导致个别飞行任务延误或调整，不影响空域整体运营

无明显环境影响或可快速恢复

B.3 风险矩阵参考表

风险矩阵参考表 B.3。

表 B.3 风险矩阵参考表

概率等级 \ 影响等级

高风险

中风险

低风险

16

附录 C

人工智能算法相关参考资料

C.1 梯度下降算法参数参考

梯度下降算法参数参考表 C.1。

表 C.1 梯度下降算法参数参考

参数名称

参考取值范围

说明

学习率

0.001～0.01

根据数据特征和模型复杂度调整，避免过大导致不收敛或过小导致训练缓慢

迭代次数

1000～10000

结合模型收敛情况确定，应避免过拟合

批量大小

32～256

平衡训练速度和模型性能，数据量较大时可适当增大

C.2 Adam 优化器参数参考

Adam 优化器参数参考表 C.2。

表 C.2 Adam 优化器参数参考表

参考取值

0.001

默认取值，可根据实际场景微调

β1

0.9

一阶矩估计的指数衰减率

β2

0.999

二阶矩估计的指数衰减率

ε

1e-08

数值稳定性参数，避免分母为 0

C.3 正则化参数参考

正则化参数参考表 C.3。

表 C.3 正则化参数参考表

正则化类型

L1 正则化

λ

0.001～0.1

抑制模型过拟合，数值越大正则化强度越强

L2 正则化(权重衰减)

防止模型权重过大，提升泛化能力

17

C.4 机器学习算法参数参考

机器学习算法参数参考表 C.4。

表 C.4 机器学习算法参数参考表

算法名称

核心参数

参数说明

随机森林算法

n_estimators

100～150

决策树数量，控制模型集成效果，避免过拟合

max_depth

8～12

决策树最大深度，限制树的复杂度，提升模型泛化能力

criterion

gin i/entropy

纯度衡量标准，用于判断节点分裂方式，适配无人机风险分类

random_state

以 42 为例

宜固定随机种子，保证模型训练结果可复现

XGBoost 算法

learning_rate

0.05～0.2

参数更新步长，控制模型收敛速度，避免收敛过快或过慢

80～120

弱学习器数量，数量过多易过拟合，过少则预测精度不足

6～10

树深度，控制模型复杂度，适配无人机多维度风险特征

宜固定随机种子，确保模型训练过程可复现

决策树算法

4-8

决策树最大深度，避免模型过拟合，提升可解释性

纯度衡量标准，决定节点分裂逻辑，适配风险分类需求

min_samples_split

2-10

节点分裂最小样本数，防止节点分裂过细导致过拟合

K 近邻(KNN)算法

n_neighbors

3-9

近邻数量，数量过少易受异常值影响，过多则预测模糊

weights

uniform/distance

权重分配方式，uniform 为等权重，distance为距离加权

p

1～2

距离计算方式，p=1为曼哈顿距离，p=2 为欧氏距离

支持向量机(SVM)算法

C

0.1～100

正则化参数，控制模型复杂度，C 越大正则化越强

kernel

rbf/linear

核函数类型，rbf 适配非线性特征，linear 适配线性特征

18

表 C.4 机器学习算法参数参考表(续)

gamma

核函数复杂度，gamma 越大，模型拟合能力越强越易过拟合

probability

True

开启概率输出，可输出各类风险优先级的概率，适配风险评估

多层感知机(MLP)算法

输入层神经元

适配无人机 16 类风险特征，与输入特征维度保持一致

隐藏层神经元

32～64

拟合风险特征与优先级的复杂映射关系，数量适配模型复杂度

输出层神经元

对应无人机风险 3 类优先级(高、中、低)，输出分类结果

激活函数

relu/softmax

relu 用于隐藏层增强非线性拟合，softmax 用于输出层归一化概率

19

附录 D

风险评估报告模板框架相关参考资料

D.1 报告摘要

D.1.1 评估项目名称。

D.1.2 评估范围(空域、航线、运营主体等)。

D.1.3 评估周期。

D.1.4 核心评估结论(整体风险等级、关键风险点)。

D.1.5 主要建议。

D.2 评估背景与依据

D.2.1 评估目的。

D.2.2 评估依据(相关标准、政策文件、数据来源)。

D.2.3 评估对象概况。

D.3 评估方法与流程

D.3.1 危险源识别方法。

D.3.2 风险分析方法。

D.3.3 风险评价流程。

D.3.4 模型优化方法。

D.4 风险评估结果

D.4.1 危险源识别结果(各维度风险清单)。

D.4.2 风险概率与影响分析结果。

D.4.3 风险矩阵分析结果。

D.4.4 整体风险等级判定结果。

D.4.5 关键风险点详细分析(风险成因、潜在影响)。

D.5 风险管控建议

D.5.1 针对高风险点的管控措施。

D.5.2 针对中风险点的管控措施。

D.5.3 长期风险防控机制建议。

D.5.4 应急处置预案建议。

D.6 附件

D.6.1 数据采集表单汇总。

D.6.2 相关计算过程说明。

D.6.3 模型参数设置说明。

D.6.4 其他支撑材料。

20

参考 文献

[1] GB 42590—2023 民用无人驾驶航空器系统安全要求

[2] GB/T 35018—2018 民用无人驾驶航空器系统分类及分级

[3] MH/T 1069—2018 无人驾驶航空器系统作业飞行技术规范

[4] MH/T 4055-2022 低空飞行服务系统技术规范

[5] 中华人民共和国民用航空器适航管理条例

[6] 国令第761号民用无人驾驶航空器飞行管理暂行条例

[7] 交通运输部令2022年第34号民用航空器事件技术调查规定

[8] AC-396-05 民用无人驾驶航空器事件信息管理办法

[9] CCAR-86-R1 民用航空通信导航监视设备飞行校验管理规则

[10] CCAR-92(2024) 民用无人驾驶航空器运行安全管理规则

[11] CCAR-115TM-R2 民用航空通信导航监视工作规则

[12] 苏州市低空经济促进条例