基于文本挖掘的航空安全事故报告致因因素分析和风险预测

发布时间：2020-10-09 01:17

　　当今世界选择飞机出行的人越来越多,如何提高航空安全是世界各大航空公司面临的首要话题。1970年由美国率先建立的航空安全事故报告(ASRS)在分析影响航空安全因素中发挥了巨大作用,给航空安全提供了很多有效建议。本课题是以航空安全事故数据为源数据,利用文本挖掘的方法对航空安全事故报告进行分析,首先分析出影响航空安全的致因因素,其次对航空安全事故报告进行风险预测。分析影响航空安全致因因素过程主要有文本预处理、提取文本原始特征项、原始特征项降维、构建空间向量模型等步骤。文本预处理的具体处理步骤主要有文本小写化、去除标点符号、去除停用词等;提取文本特征采用的算法是TF-IDF、LDA主题模型;文本原始特征项降维采用χ2统计降维法;经过以上自然语言处理过程,最终得出影响航空安全的26项致险因素,其中包括6项主要致因因素和20项一般致因因素,主要致因因素有疲劳驾驶,误操作,机场,飞机,天气,环境,一般致因因素有人员安排,错误指令,公司政策,信息交流,碰撞危险,导航手册等。本文的第二部分主要是利用传统机器学习和基于深度学习的几种不同的分类器进行风险预测,得到实验结果进行对比分析,用到的传统分类器为随机森林、朴素贝叶斯、支持向量机;基于深度学习的分类器模型为卷积神经网络、循环结构的卷积神经网络。卷积神经网络实验部分首先采用控制变量法设置了最优参数,实验过程中将数据集采用十折交叉法,分别做十次实验,取十次实验的平均值作为实验结果。评价各类分类器性能的参数主要是准确率、召回率和F1值,结果显示基于深度学习的分类模型的分类效果要好于传统机器学习分类模型。本文的创新点是采用深度学习的方法对航空安全事故报告进行分析,实验证明基于深度学习的神经网络分类模型对人工特征选取的依赖性低,可以实现文本特征的自动提取,其整体分类效果好于传统机器学习,优化了分类效果。
【学位单位】：安徽建筑大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V328;TP391.1
【部分图文】：

结构图,分类器,结构图,学习分类

安徽建筑大学硕士学位论文第二章文本挖掘的若干关键技术二分类问题的线性判别函数一般表达式为 gxwxbT( ) , g ( x) 0时得到一个超平面 H，可以将训练样本分类，即： g( x)w(xrw/|w|)br|w|pT ，r g( x)/|x|，其中 r 是 x 到 h 的垂直距离。w 最小时，两类间隔最大，即为最优分解面[31]。2.3.3 深度学习分类器模型（1）卷积神经网络分类器近年来卷积神经网络迅速发展并在图像处理和语音识别领域取得重大突破。卷积神经网络结构总共由 4 部分组成，即输入层、卷积层、池化层、全连接层。文献[32]根据电力设备缺陷文本特点，利用卷积神经网络建立了电力缺陷

航空安全,文本特征,降维,特征项

安徽建筑大学硕士学位论文第三章航空安全报告致因因素的分析表 3.4 航空安全事故报告文本集降维后特征项序号特征项序号特征项1 airport 14 fatigue driving2 weather 15 manuals3 tooling 16 aircraft4 visibility 17 company policy5 procedure 18 misoperation6 ambiguous 19 collision risk7 aircraft stall 20 reaction time8 insufficient training 21 equipment

云图,航空安全,事故报告,致因

安徽建筑大学硕士学位论文第三章航空安全报告致因因素的分析3.5.2 航空安全事故报告致因因素分析词云图，也叫文字云，是对文本中出现频率高的“关键词”以视觉化方式展现出来，形成“关键词云层”，从而过滤掉大量低频低质的文本信息，使文档阅读者可以轻松领略到文本主旨。向量空间模型把整个航空安全事故报告转换为向量空间的形式，利用上述转化的空间向量模型可以构建航空安全事故致因因素词云图，利用 Python 语言的 Wordcloud 程序包对实验结果的进行可视化处理，得到航空安全事故致险因素词云图，如下图 3-3 所示。

【相似文献】