基于文本挖掘的管制运行风险主题分析*

为充分挖掘管制运行风险信息和隐藏规律,实现数据驱动的风险管理。以某管制单位2004—2019年共269条管制原因不安全事件数据为挖掘语料,在考虑上下文语义的基础上,运用潜在狄利克雷分配（LDA）主题模型挖掘管制运行风险主题及关键词,使用Word2Vec挖掘主题之间、关键词之间的关联关系,运用社会网络分析软件UCINET、可视化工具NETDRAW构建语义网络将关联关系进行可视化并进行网络分析。结果表明:LDA主题模型可以通过运行数据实现对管制运行风险的高效提取和深层挖掘,挖掘到管制人为因素、特情处置、地空配合、班组资源管理、组织管理、运行环境、管制指挥共7个主题,其中管制人为因素主题是核心主题,与其他主题都具有较强的相互关联;Word2Vec和语义网络相结合能够更准确地挖掘风险之间的关系,确定主题的重要度排序,识别关键风险。     

基于灰色关联分析法的空管危险源辨识方法研究

随着民航事业的迅速发展和空中交通流量的不断增长.为有效地避免空管不安全事件的发生,辨识出空管运行中潜在危险源至关重要.目前空管单位缺乏对危险源的有效分类,对危险源的触发机制要素界定不够清晰.利用危险三角形对危险进行描述,并用M-SHEL模型对空管运行中首类危险源——管制"错误、遗忘、疏漏"的触发机制进行分类辨识与分析.构建了管制"错误、遗忘、疏漏"危险源辨识指标体系,一级指标5个,二级指标20个;运用灰色关联分析法计算出各类触发机制之间的关联系数和关联度.结果表明,人的因素是导致管制"错误、遗忘、疏漏"发生的最主要因素,而其中最主要的触发机制要素是个人能力问题.     

基于GBO-Markov模型的空管不安全事件预测方法

空管不安全事件的分析和预测是空管安全管理研究的重要内容。结合灰色GM(1,1)模型和马尔科夫模型的优点,利用平均弱化缓冲算子对2004—2012年空管不安全事件的初始数据进行处理,并根据模型的残差分布情况进行状态分类,建立了空管不安全事件的灰色缓冲算子马尔科夫预测(GBO-Markov)模型。通过预测2013、2014年空管不安全事件数,对模型进行了交叉检验,灰色缓冲算子马尔科夫预测(GBO-Markov)模型的平均相对误差从57.31%(传统GM(1,1)模型)降低到15.77%,该模型可用于民航空管的不安全事件预测。     

基于文本挖掘的城市景区密集人群风险感知

为充分挖掘城市景区密集人群风险信息和隐藏规律,以携程、美团、大众点评3个旅游网站上发表的关于城市景区密集人群的游记和评论作为数据源,运用潜在狄利克雷分配(LDA)主题模型及Word2Vec词向量模型挖掘密集人群风险感知主题与关键词及二者之间的关联关系;基于计划行为理论构建城市景区密集人群风险感知模型,结合共现规律对风险感知主题的关联关系分析,明确景区密集人群对个体风险感知的作用规律。研究结果表明：降低个体在密集人群情景下的风险感知水平,将避免公众产生消极行为,降低踩踏事故发生的可能性;同时通过主题共现分析得出影响个体风险感知的核心主题为“网红表演”主题,可通过提高热门表演管制力度来提高个体主观规范对实际行为的正向影响,使得个体风险感知强度处于稳定水平。研究结果可以完善城市景区密集人群风险管理和风险沟通机制,从而有效管理风险。     

Reason模型在空中交通管制中的应用

指出了Reason模型及人的因素分析与分类系统的不足,提出对Reason模型进行修正的思路;结合中国民航业的实际情况,构建了空中交通管制不安全事件的分析框架;对防御系统失效、不安全行为、不安全行为的条件、管理失效4个层次的缺陷进行了论述,并给予详细的实证分析.研究有助于调查分析民航空管行业不安全事件中的原因以及为空管安全管理中的危险识别提供依据.     

危险源与事故原因关系及危险源分类研究

为更全面准确地识别危险源,本文参考美国国防部系统安全标准等文献,深入分析危险源与事故原因的关系,然后依据事故致因模型分析危险源的分类和内容,最后结合安全评价实践,确定组织范围内的危险源识别方法.研究表明:危险源和事故原因的含义和分类是等同的;借助事故致因模型可得到危险源的分类、具体内容和识别方法.此研究可更全面、准确、方便地以组织为范围识别危险源,为事故预防工作提供良好途径.     

基于文本挖掘的空中危险接近事件致因研究

空中危险接近事件是两机相撞事故的前兆事件,传统的依赖于分析人员知识和简单统计的致因分析模型无法适用于大量空中危险接近事件,因此提出了基于文本挖掘的空中危险接近事件致因研究框架,利用潜在狄利克雷分配模型(Latent Dirichlet Allocation, LDA)提取空中危险接近事件致因主题和关键词,基于全局词向量模型(Global Vectors for Word Representation, GloVe)和关键词共现网络分析各个主题及其关键词之间的潜在关系,充分利用全局统计信息以准确挖掘大量事件报告。结果表明：利用LDA挖掘得到组织因素、现场运行管理和应急管理等6个主题,其中人的因素主题重要度最大;基于GloVe词向量模型分析得到现场运行管理主题与应急管理主题、陆空沟通及配合主题与人的因素主题2组主题存在较强关联;“意识”是空中危险接近事件发生的关键细节。提出的致因研究框架可以帮助安全管理人员准确认识和高效利用空中危险接近事件报告等文本数据,同时基于数据分析有效减少了人为分析的主观性,提高了致因分析的效率,为精准防控空中危险接近事件提供基于数据的科学决策支持。     

基于TEM模型的民航不安全事件关联规则挖掘与分析*

为了预防民航不安全事件的发生,应用机组威胁与差错管理（TEM）模型分析2014—2020年民航事故/征候的航空安全报告资料,提取事件里存在于民航运行风险中潜在的情况、威胁、机组差错等因素,通过改进的关联规则方法挖掘其中的关联关系,包括挖掘与事件严重程度有关的因素,找到TEM模型中的关键因素和影响航空器结束状态的致因因素,并进行关联网络图分析。研究结果表明:手动操纵/飞行控制差错、缺少/不足的飞行培训和安全管理、飞行员之间沟通差错与程序执行错误是造成事故/征候的显著因素;关联规则能够有效利用航空安全报告信息,通过定量的方法挖掘事故/征候的特征,找到影响民航不安全事件的强关联因素,为民航安全管理人员提供决策依据。     

民航运营单位安全管理人员胜任力模型实证研究

为探究评价民航运营单位安全管理人员是否胜任其岗位的关键要素,提供科学有效的招聘和考核安全管理人员的依据,以分析安全管理人员工作职责为基础,运用探索性因子分析确定民航安全管理人员胜任力模型,并采用验证性因子分析检验其合理性与有效性。模型包括体系优化能力、隐患排查能力、风险管控能力、应急处理能力、信息处理能力、事件调查能力、教育培训能力7个一级指标,以及熟知民航法规与安全生产法、掌握安全审计专业知识、掌握事故或不安全事件调查相关法规与工作流程、能够识别各运行岗位存在的危险源与安全隐患等29个二级指标。研究结果表明:隐患排查能力对民航安全管理人员胜任力水平的影响最为显著,其次是风险管控能力、应急处理能力、信息处理能力、体系优化能力、事件调查能力,教育培训能力影响最小。     

基于字词向量融合的民航智慧监管短文本分类

为解决民航监管事项所产生的检查记录仅依靠人工进行分类分析导致效率低的问题,提出一种基于数据增强与字词向量融合的双通道特征提取的短文本分类模型,探讨民航监管事项的分类,包括与人、设备设施环境、制度程序和机构职责等相关问题。为解决类别不平衡问题,采用数据增强算法在原始文本上进行变换,生成新的样本,使各个类别的样本数量更加均衡。将字向量和词向量按字融合拼接,得到具有词特征信息的字向量。将字词融合的向量分别送入到文本卷积神经网络(TextCNN)和双向长短期记忆(BiLSTM)模型中进行不同维度的特征提取,从局部的角度和全局的角度分别提取特征,并在民航监管事项检查记录数据集上进行试验。结果表明：该模型准确率为0.983 7,F₁值为0.983 6。与一些字嵌入模型和词嵌入模型相对比,准确率提升0.4%。和一些常用的单通道模型相比,准确率提升3%,验证了双通道模型提取的特征具有全面性和有效性。     

基于神经网络的民航安全态势评估模型及仿真

民航安全态势评估可以向管理者提供民航安全态势和未来态势变化的信息,帮助管理者作出科学的决策,是预防事故发生的关键。航空器事故征候、事故征候率和灾变的科学预测评估是民航安全态势评估的核心内容,分析选取影响民航安全态势的安全运行因素,尝试建立了民航安全态势评估模型,结合BP神经网络和Elman神经网络进行民航安全态势评估。2008-2010年民航安全态势评估结果如下：民航安全态势整体良好但事故征候较多,其中2009年的民航安全态势相对严峻,需要密切注意民用航空器事故的发生,同时应对2010年民用航空器事故进行高度关注,希望管理者采取积极措施进行事故预防。结果表明,基于神经网络建立的民航安全态势评估模型是可行的,可以作为我国民航安全态势评估的有效工具。     

近十年中国民航事故及事故征候的统计分析

对1996—2005年我国民航发生的32起事故及1147起事故征候进行统计分析,其结果表明:我国民航事故和事故征候的万架次率及万时率均呈下降态势,机组、机械和机务原因是我国民航事故和事故征候的主要原因,事故征候的主要类型是鸟击、空中停车、偏出/冲出跑道/场外接地,事故征候发生阶段依次为巡航、起飞、着陆、爬升和进近。该研究成果有助于寻找事故和事故征候成因和规律。明确安全管理重点和难点;采取有效的预警和预控对策。     

航空人为差错事故/事件分析(ECAR)模型研究

为深入研究航空人为差错事故/事件的影响因素,以人为差错相关理论为基础,对比分析几种典型的人为差错分析模型;通过借鉴ECCAIRS分析框架,并在基元事件分析(EEAM)逻辑和CCAR396部的分类方法基础上,构建航空人为差错事故/事件分析(ECAR)模型,它从事件层、描述层、原因层和组织因素与改进建议层,分析航空事故和不安全事件的人为差错。此外,还将组织因素概念引入该模型。     

基于灰色神经网络的民航事故征候预测模型研究

通过对民航事故征候的分析和预测,掌握民航事故征候的发展趋势,并据此提出相应的安全措施以预防事故发生。在灰色预测基础上,结合神经网络理论,分析民航事故征候的特点,提出民航事故征候的串联灰色神经网络组合预测模型。首先,运用灰色理论弱化数据序列波动性,然后利用神经网络非线性信息处理能力构建模型。同时,根据最近10年民航事故征候统计数据,分别对灰色预测模型、神经网络模型和灰色神经网络模型进行检验,并预测未来3年的民航事故征候数量。利用Matlab软件进行预测仿真,对3种预测方法的精度和特点进行分析和比较。结果表明:民航事故征候的灰色神经网络模型预测精度高于单一的灰色预测模型或神经网络模型,并且所需样本少,运算简便,易于实现。     

基于事件提取和改进MMHC的航空旅客运输事故征候贝叶斯网络建模*

为表征航空旅客运输事故征候演化机理,提出事故征候贝叶斯网络的建模方法。基于事故征候中致因事件、结果事件及分类标准的定义,以7 265起事故征候案例为样本,利用事件提取算法,识别事故征候叙述文本中的致因事件,利用改进的最大最小爬山算法实现网络建模;依据事件提取的测试集验证与结构学习的交叉验证,检验建模算法的准确性与有效性;基于证据敏感性指标,识别关键致因事件。结果表明:航空旅客运输事故征候贝叶斯网络模型包含94个节点和247条有向弧。空降冲突、严重设备故障、机组成员疾病及火灾烟雾是模型中高风险关联的致因事件,在安全监管过程中消除或减弱关键致因事件的发生能有效控制系统风险。     

中美两国民航事故发展趋势对比分析

为了持续改进民航安全,本文对中美两国民航运输事故趋势进行了分析研究。对民航运输事故率的统计采样周期、变化规律的曲线类型进行研究,并基于5年为采样周期、滚动平均的数据建立回归分析模型。利用此模型对中美两国的运输飞行事故率和亿客公里死亡人数进行曲线拟合。最后,对比分析中美两国的事故率和亿客公里死亡人数拟合值。研究表明中美两国民航事故率遵循相似的规律发展,中国民航安全改进速度更快。依据研究结果,预测在2014年中国民航运输飞行重大事故率大约是美国的1/3、亿客公里死亡人数大约是美国的2倍,分析表明美国民航事故水平很大程度受小型运输机制约,指出随着我国大力发展支线航空,可能会带来航空事故的高发期。