目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词...目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词抽取的双向编码器表征法和双向长短时记忆网络的深度学习模型(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory,BERT-BiLSTM)。该模型通过对不正常事件文本进行信息抽取,过滤其中无用信息,并将双向编码器表征法(Bidirectional Encoder Representations from Transformers,BERT)模型输出的特征向量序列作为双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的输入序列,以对空管不正常事件文本风险识别任务进行对比试验。试验结果显示,在风险识别试验中,基于空管专业信息词抽取的BERT-BiLSTM模型相比于通用领域的BERT模型,风险识别准确率提升了3百分点。可以看出该模型有效提升了空管安全信息处理能力,能够有效识别空管部门日常运行中出现的不正常事件所带来的风险,同时可以为空管安全领域信息挖掘相关任务提供基础参考。展开更多
空中交通管制特情是民航运输过程中遭遇的紧急特殊情况,对其的处置原则是尽可能的精准和高效。若未能有效处置,将引发重大飞行事故。然而,传统的特情处置依赖于人工,难以满足精准和高效的要求。利用知识图谱技术对空中交通管制特情信息...空中交通管制特情是民航运输过程中遭遇的紧急特殊情况,对其的处置原则是尽可能的精准和高效。若未能有效处置,将引发重大飞行事故。然而,传统的特情处置依赖于人工,难以满足精准和高效的要求。利用知识图谱技术对空中交通管制特情信息进行知识抽取、表示和管理,并用于辅助空中交通管制人员,方便其进行特情处置,可有效提升空中交通管制特情应急处置效率。因此,提出一种自顶向下的空中交通管制特情处置知识图谱构建方法。首先,自顶向下定义知识图谱的概念、关系及其知识架构,形成模式层。接着,考虑到空中交通管制特情案例记录文本训练量较小且领域性实体较多的特点,采用融合双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络深度学习模型和规则知识的实体抽取模型双向转换编码器(bi-directional encoder representations from transformers,BERT)-BiLSTM-条件随机场(conditional radom fields,CRF)+正则表达式(regular expression,RE)抽取实体。在此基础上,利用BiLSTM+自注意力(self-attention,SA)模型对实体间关系进行抽取。之后,采用Jaccard相关系数进行知识融合。最后,利用Neo4j图数据库对构建的空中交通管制特情处置知识图谱进行可视化,并对其在民航空中交通管制特情处置决策支持中的应用前景进行分析,为空中交通管制部门的实际应用提供参考。展开更多
为了研究管制员飞行冲突调配的人因差错问题,进而有效评估管制员解决飞行冲突的可靠性,以保障空中交通的安全运行,提出系统理论过程分析(System Theoretic Process Analysis, STPA)与认知可靠性与失误分析方法(Cognitive Reliability an...为了研究管制员飞行冲突调配的人因差错问题,进而有效评估管制员解决飞行冲突的可靠性,以保障空中交通的安全运行,提出系统理论过程分析(System Theoretic Process Analysis, STPA)与认知可靠性与失误分析方法(Cognitive Reliability and Error Analysis Method, CREAM)相结合的人因可靠性分析方法。首先,通过STPA方法构建系统控制模型,识别不安全控制行为(Unsafe Control Action, UCA)以及致因因素,找到管制员在调配飞行冲突过程中可能存在的差错行为;其次,基于CREAM扩展法对管制员的差错行为进行定量分析,得到管制员调配飞行冲突的人因失误概率。研究显示:使用该方法能够系统、全面地识别出管制员在调配飞行冲突过程中出现的差错行为,进而计算管制员飞行冲突调配的人因失误概率。实例分析表明该方法可以预测管制员在飞行冲突调配过程中的人因失误概率及可靠性,为管制员人因可靠性分析提供了新思路。展开更多
文摘目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词抽取的双向编码器表征法和双向长短时记忆网络的深度学习模型(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory,BERT-BiLSTM)。该模型通过对不正常事件文本进行信息抽取,过滤其中无用信息,并将双向编码器表征法(Bidirectional Encoder Representations from Transformers,BERT)模型输出的特征向量序列作为双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的输入序列,以对空管不正常事件文本风险识别任务进行对比试验。试验结果显示,在风险识别试验中,基于空管专业信息词抽取的BERT-BiLSTM模型相比于通用领域的BERT模型,风险识别准确率提升了3百分点。可以看出该模型有效提升了空管安全信息处理能力,能够有效识别空管部门日常运行中出现的不正常事件所带来的风险,同时可以为空管安全领域信息挖掘相关任务提供基础参考。
文摘空中交通管制特情是民航运输过程中遭遇的紧急特殊情况,对其的处置原则是尽可能的精准和高效。若未能有效处置,将引发重大飞行事故。然而,传统的特情处置依赖于人工,难以满足精准和高效的要求。利用知识图谱技术对空中交通管制特情信息进行知识抽取、表示和管理,并用于辅助空中交通管制人员,方便其进行特情处置,可有效提升空中交通管制特情应急处置效率。因此,提出一种自顶向下的空中交通管制特情处置知识图谱构建方法。首先,自顶向下定义知识图谱的概念、关系及其知识架构,形成模式层。接着,考虑到空中交通管制特情案例记录文本训练量较小且领域性实体较多的特点,采用融合双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络深度学习模型和规则知识的实体抽取模型双向转换编码器(bi-directional encoder representations from transformers,BERT)-BiLSTM-条件随机场(conditional radom fields,CRF)+正则表达式(regular expression,RE)抽取实体。在此基础上,利用BiLSTM+自注意力(self-attention,SA)模型对实体间关系进行抽取。之后,采用Jaccard相关系数进行知识融合。最后,利用Neo4j图数据库对构建的空中交通管制特情处置知识图谱进行可视化,并对其在民航空中交通管制特情处置决策支持中的应用前景进行分析,为空中交通管制部门的实际应用提供参考。
文摘为了研究管制员飞行冲突调配的人因差错问题,进而有效评估管制员解决飞行冲突的可靠性,以保障空中交通的安全运行,提出系统理论过程分析(System Theoretic Process Analysis, STPA)与认知可靠性与失误分析方法(Cognitive Reliability and Error Analysis Method, CREAM)相结合的人因可靠性分析方法。首先,通过STPA方法构建系统控制模型,识别不安全控制行为(Unsafe Control Action, UCA)以及致因因素,找到管制员在调配飞行冲突过程中可能存在的差错行为;其次,基于CREAM扩展法对管制员的差错行为进行定量分析,得到管制员调配飞行冲突的人因失误概率。研究显示:使用该方法能够系统、全面地识别出管制员在调配飞行冲突过程中出现的差错行为,进而计算管制员飞行冲突调配的人因失误概率。实例分析表明该方法可以预测管制员在飞行冲突调配过程中的人因失误概率及可靠性,为管制员人因可靠性分析提供了新思路。
