空中交通管制工作重要而复杂,管制员始终承受着繁重的管制任务和精神压力,而管制工作24/7的工作条件要求管制员在任何时间段都可能上岗执勤,这使得其在上岗前疲劳的情况难以避免,管制员警觉性不足已成为空管运行中的安全隐患。因此,本人从班前管制员警觉性测量和预测的角度出发,基于PVT(Psychomotor vigilance task,PVT)测试以及语音数据的分析,构建了警觉性度量及预测模型,为排班的优化提供理论支持。在对比各种警觉性度量方法的特点后,本文选择在警觉性度量上广泛使用的PVT测试作为预测模型中警觉性度量方法,首先,根据PVT数据的变化规律,选择基于参数α和β的logistics函数作为拟合函数,通过马尔科夫蒙特卡罗采样方法对数据采样,从而确定参数α和β的最优值,该模型可以挖掘管制员的历史警觉性数据变化规律,实现对管制员执勤时警觉性预测,给排班优化提供指导性的建议。其次鉴于管制工作会产生大量语音数据,本文以陆空通话的语音数据为基础,分析该语音数据特征向量,具体包括短时平均能量、短时平均幅度、短时平均过零率、梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)、基音频率、平均语速和反应时长,利用PVT测试将警觉性等级与语音数据相关联,然后以该特征向量为依据,采用SVR模型对不同状态下的语音数据特征向量进行训练分类,从而实现基于语音数据的警觉性分类即低警觉性的识别,并对预测模型的预测结果进行对比,对预测效果进行验证。结果分析表明,本文构建的警觉性概率预测模型可以有效挖掘管制员的警觉性变化规律,为管制员的优化排班提供理论指导。基于语音数据的警觉性识别模型可以根据管制员的语音数据有效识别警觉性不足的情况,与预测模型相结合,避免管制员在非警觉的状态下进行管制工作。