基于机器学习的民航不安全事件信息数据清洗

为解决民航不安全事件信息中分类不准确的问题，提出一种基于机器学习的数据清洗方案。首先，设计了一种基于one class svm的异常值筛选模型，筛选出现有航空不安全事件信息中事发阶段中标签错误的数据。其次，建立了一种基于BERT的分类模型对分类正确数据进行训练，利用经过训练的模型对筛选出来的异常数据进行重新分类。最后，将清洗后的数据与原始数据进行比较，清洗后的数据标签准确率提高了10.2%。实验结果表明，基于机器学习的数据清洗方法能够实现民航安全信息的数据清洗，提高了数据质量。     

基于灰色新陈代谢马尔科夫模型对跑道侵入事件的分析及预测

本文综合运用灰色预测和马尔科夫两种方法,建立了我国机场跑道侵入的灰色新陈代谢马尔科夫预测模型。新陈代谢用来克服旧数据失去时效性的不足,马克科夫可以解决现有数据波动较大的问题,揭示了我国民航跑道侵入事件的动态变化规律并对我国民航跑道侵入事件的发生次数进行了较为准确的预测。为我国民航部门制定相关事件防范计划、降低跑道侵入的危害以及改善民航安全提供了依据,此方法也可以用于其他典型不安全事件类型的预测。     

基于词语同现的语义搜索引擎

搜索引擎已经成为我们访问互联网的主要入口,但是搜索引擎的返回信息准确率低已经成为我们有效利用网络资源的一个主要障碍。理解用户的输入语义,并能返回准确的信息的语义搜索引擎一直是人们的期望,也是近几年研究的热点。本文基于语义表达的基本原理,利用自然语言中处理词语语义歧义的重要手段——词语同现,构造词语同现矩阵,设计具有语义理解能力的搜索引擎,并通过实验证明可以很好的理解用户的输入,提高返回信息的准确率。     

民航安全信息中实现关键词提取的方法

对于民航安全信息,关键词有着体现文本概要的功能,在信息提取与调用等方面对民航安全工作者有所帮助.在研究当前关键词提取技术后,结合民航领域词特征,提出了一种以朴素贝叶斯模型为基础的关键词提取模型.模型中所选取的特征项为词语的词长、词性、以及包含词语位置与段落跨度的词频与逆向文档频率乘积(TF-IDF)值,特征项代表了每个候选词的基本属性.利用该模型对已人工标注好关键词的民航安全信息进行训练以获取各个特征项的概率,利用特征项概率计算每个备选词的关键词评分,将评分前3位的词汇输出为关键词.实验表明,针对民航安全信息的关键词提取,所提方法与传统的TF-IDF算法、KEA算法相比,准确率分别提高了18%和11.9%,民航词汇识别率分别提高了15.3%和12.3%.结果证明,与传统算法相比,所提方法能大幅提升关键词提取的准确率与民航词汇识别的能力.      

民航安全信息工作绩效评价指标体系研究

为完善安全信息工作管理制度,提高民航业安全信息工作的质量,将平衡计分卡方法(BSC)进行变型,结合实际工作经验,将平衡计分卡4个层面的逻辑关系由传统的递进关系,变为并列递进关系,构建民航安全信息工作绩效管理指标体系.先采用层次分析法求取主观权重,然后用变精度粗糙集求取客观权重,最后将主、客观权重通过最小相对信息熵原理进行优化,并且采用改进的TOPSIS方法从新的角度对指标体系的信度和效度进行验证.结果表明,一级指标"安全信息的质量"最优权重为0.407,占总权重的40.66%,是评价安全信息工作优良的决定性指标;而其二级指标"安全信息的规范程度"的ρi值最大,反应了该指标信度效度最大,达到0.288,占总权重的11.97%,在安全信息工作绩效管理中最重要.该指标体系可以实际应用于安全信息工作绩效管理过程,有助于提升安全信息工作的管理水平,提高安民航安全信息的质量.