持续增长的交通流量、纷繁多变的空域限制,导致当前管制运行服务的复杂性增强、安全压力加大,管制员长时间处于超负荷工作。虽然我国民航安全运行平稳可控,但由空管原因引起的不安全事件数量增长,警示出管制运行中存在潜在性隐患,即管制运行处于亚健康状态。因此,对管制运行亚健康状态进行有效的识别和预测,使安全预防关口前移,为管制健康运行提供有力保障。本文以扇区空域单元为研究对象,利用雷达数据对管制运行亚健康状态进行识别和预测。首先,分析空中交通流特性及参数,探讨管制运行过程及管制工作负荷,然后借鉴亚健康理论,从空中交通流层面对管制扇区运行亚健康状态进行定义,并提出5项管制扇区运行亚健康评估指标。其次,利用组合赋权法确定亚健康指标权重,依据亚健康识别的不确定性和模糊性,建立了基于灰色聚类的管制扇区运行亚健康状态识别方法。再次,结合无监督学习和监督学习算法的优势,构建了基于Kmeans-AdaBoost的管制扇区运行亚健康状态识别方法,并比较了以上两种识别方法的优劣性。最后,根据交通流变化的长期周期性和短期不确定性特征,选择求和自回归移动平均模型和误差反向传播神经网络模型,建立了基于模糊软集合的管制扇区运行亚健康评估指标组合预测方法,且实例验证结果表明预测准确率较高、泛化能力强。从交通流角度进行管制扇区运行亚健康状态的识别及预测研究,利用厦门01号扇区的运行数据验证了所建识别及预测方法的可行性。本文所提方法可确定管制运行处于何种亚健康状态,能够全面把握空中交通运行情况,对评估流量负荷、管制员负荷提供了理论依据。