航空航天與數據科學

航空運輸系統• 低空經濟 • 工業智能

| 香港城市大學

我們的研究融合了基於物理資訊的機器學習、隨機優化與實地部署，致力於開發管理世界上最複雜、風險最高的運行系統所需的智能技術。

一、航空運輸系統

為航空安全與效率開發「更加主動的智能管理」。

我們在航空安全領域的研究已超越傳統的超限檢測，邁向主動式、數據驅動的監控。通過利用大規模飛行數據記錄器（FDR）與監控數據，我們助力航空業預測風險、優化資源配置。

影響亮點： 研究成果被美國國家航空航天局（NASA）、歐洲航空安全局（EASA）和中國民用航空局（CAAC）引用和採納；獲《麻省理工學院新聞》（MIT News）及《Flight International》報道。

主動安全管理（ClusterAD）： 我們開發了ClusterAD框架，通過增量聚類與高斯混合模型識別飛行數據中的運行風險。

  • 代表性論文
    • Analysis of flight data using clustering techniques for detecting abnormal operations. Li et al., Journal of Aerospace Information Systems (2015). [DOI] | [PDF]
    • Anomaly detection via a Gaussian Mixture Model for flight operation and safety monitoring. Li et al., Transportation Research Part C (2016). [DOI] | [PDF]
  • 特邀報告
    • “Analysis of flight data using clustering techniques for detecting abnormal operations”, European Aviation Safety Agency (EASA) Flight Data Monitoring (FDM) Conference, Cologne, Germany, 2017.
    • “Using big data in monitoring normal operations”, International Flight Crew Training Conference 2017, Royal Aeronautical Society, London UK, 2017.
    • “AI for Flight Time Prediction and Fuel Management“, KLM Webinar series – AI for Sustainability, Amsterdam, Netherlands, 2022.
    • “Anomaly Detection and Pattern Recognition in Flight Data for Airline Safety Management”, Applied Machine Learning Days (AMLD) at EPFL, Switzerland, 2020. [Watch Video]
  • 專利
  • 媒體
    • “In plane view: New tool analyzes black-box data for flight anomalies” – MIT News [Link].
    • “IN FOCUS: Mining digital avionics data for future safety” – FlightGlobal [Link]

運營優化與燃油智能： 我們利用深度學習提供高精度飛行時間預測，幫助航空公司做出基於數據的燃油加載決策，在安全與環境可持續之間取得平衡。

  • 代表性論文
    • Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow. He et al., IEEE Transactions on Intelligent Transportation Systems (2022) [DOI]
    • Flight time prediction for fuel loading decisions with a deep learning approach. Zhu & Li, Transportation Research Part C (2021). [DOI] | [Pre-print PDF]
    • High-Speed Rail Suspension System Health Monitoring Using Multi-Location Vibration Data. Hong, et al.  IEEE Transactions on Intelligent Transportation Systems (2020) [DOI]

空域與交通分析： 我們利用ADS-B數據，對全球主要樞紐的空中交通流量進行基準比較，模擬網絡延誤並識別航路擁堵瓶頸。

  • 代表性論文
    • Flight trajectory data analytics for characterization of air traffic flows: A comparative analysis of terminal area operations between New York, Hong Kong and Sao Paulo. Murça et al., Transportation Research Part C (2021). [DOI] | [Citations: 100+]
    • Characterizing air traffic networks via large-scale aircraft tracking data: A comparison between China and the US networks. Ren, P., & Li, L. Journal of Air Transport Management (2018). [DOI]

從空域到外太空： 我們提出了一個基於擴散模型的框架來識別衛星的「生命模式」，為空間交通管理中的行為監測樹立了新標準，旨在保障長期軌道安全與可持續性。

  • 代表性論文
    • Learning Satellite Pattern-of-Life Identification: A Diffusion-Based Approach. Y. Ye, et al., IEEE Transactions on Aerospace and Electronic Systems (2025), [DOI] | [PDF]| [Code]
  • 獲獎

二、低空經濟（LAE）

通過智能交通管理規模化拓展城市空中交通。

隨著城市空域成為物流新前沿，我們的團隊正在開發面向無人機配送與旅遊的「操作系統」，重點關注高密度城市環境中多運營主體飛行作業規模化運行的核心挑戰。

  • 路徑規劃（CitySkyPlan）： 我們設計了基於網格的路徑搜索和基於Transformer的強化學習框架，用於動態無人機路徑規劃。該工作受美國專利號11,915,599和12,560,943保護。
  • 無人交通管理（UTM）： 我們的研究開發了「空中走廊」與4D軌跡管理系統，綜合考慮城市風場影響（CFD模擬）、第三方風險及擁堵收費。

影響亮點： 與行業合作夥伴 Antwork Robotics 和 Meituan 合作，部署真實場景下的無人機配送解決方案。

  • 代表性論文
    • Air corridor planning for urban drone delivery: Complexity analysis and comparison via multi-commodity network flow and graph search. He et al., Transportation Research Part E (2025). [DOI]
    • A distributed route network planning method with congestion pricing for drone delivery services in cities. He et al., Transportation Research Part C (2024). [DOI]
    • A route network planning method for urban air delivery. He et al., Transportation Research Part E (2022). [DOI]
    • Path pool based transformer model in reinforcement framework for dynamic urban drone delivery problem. Xiang et al., Transportation Research Part C (2025). [DOI]

三、工業智能

將系統監測轉化為卓越的業務與環境效益。

我們將控制理論、隨機優化和大語言模型（LLM）應用於關鍵基礎設施與製造業，確保複雜系統保持可靠性與能效。

  • 流程優化： 我們的「從數據到部署」框架融合機器學習與專家經驗，在優化工業流程的同時降低能耗，保持產品品質與業務績效。
  • 基礎設施健康監測： 我們開發數據驅動、物理可解釋的模型，用於高速鐵路懸架系統及衛星太陽能電池陣列驅動組件（SADA）的預測與健康管理（PHM）。
  • 代表性論文
    • An industrial process optimization framework: from data to deployment with case studies in food production processes. Liu, et al., Journal of Intelligent Manufacturing (2025) [DOI]
  • 預印本
    • Reliable and Fast Metro Rescheduling: Large Language Model Agent-Guided Optimization. Huang et al., (2026) [DOI]
    • Comparing Process Control Digital Twin Approaches: Wort Boiling Case. Zhang, Y., Li, L., Ye, Y., & Boshoff, D. (2026) [DOI]

四、除此之外

探索數據、社會與人類行為。

雖然工業運營是我們的核心領域，但我們相信數據科學的工具具有普適性。因好奇心驅使，我們偶爾將分析框架應用於理解我們棲居的城市及穿行其中之人。

  • The image of the City on social media: A comparative study… (2021) [DOI]
  • How do new transit stations affect people’s sentiment and activity? (2022)[DOI]

[View Full Publications List]