[发明专利]一种基于改进随机森林的航班飞行风险行为识别方法

权利要求书

1.一种基于随机森林的航班飞行风险行为识别方法，其特征在于：所述的基于随机森林的航班飞行风险行为识别方法包括按顺序进行的下列步骤：

步骤1)标定原始QAR数据并重新采样，获得每个架次航班起飞及着陆阶段的特征向量；

步骤2)对上述每个架次航班起飞及着陆阶段的特征向量进行降维与特征提取，得到起飞及着陆阶段的最终特征向量；

步骤3)根据上述起飞及着陆阶段的最终特征向量构建起飞、降落阶段的高风险超限事件判定数据集并进行改进，获得改进后的高风险超限事件判定数据集；

步骤4)搭建基于随机森林的高风险超限事件识别模型；

步骤5)利用上述基于随机森林的高风险超限事件识别模型对改进后的高风险超限事件判定数据集中的数据进行分类识别，并对未知风险事件进行二次甄别；

在步骤3)中，所述的根据上述起飞及着陆阶段的最终特征向量构建起飞、降落阶段的高风险超限事件判定数据集并进行改进，获得改进后的高风险超限事件判定数据集的方法是：

由起飞阶段中所有架次航班的最终特征向量FV构成起飞阶段的高风险超限事件判定数据集；由降落阶段所有架次航班的最终特征向量FV构成降落阶段的高风险超限事件判定数据集；

然后分析起飞、着陆阶段中最具风险的超限事件，最后选择出22个高风险超限事件；

在上述高风险超限事件判定数据集中将与上述所有高风险超限事件有关的高风险超限事件数据均标记为高风险性事件正样本，其余数据标记为高风险性事件负样本；

之后采用SMOTE算法对上述高风险超限事件判定数据集中的数据进行扩充，方法是根据样本密度分布在占比较少样本的周围生成并插入新的近似样本，由此获得改进后的高风险超限事件判定数据集。

2.根据权利要求1所述的基于随机森林的航班飞行风险行为识别方法，其特征在于：在步骤1)中，所述的标定原始QAR数据并重新采样，获得每个架次航班起飞及着陆阶段的特征向量的方法是：

将机载QAR记录的每个架次航班每次飞行的完整原始QAR数据作为一个原始数据集；分别确定用于划分起飞阶段、着陆阶段的参考点，在起飞阶段，选取俯仰角数值发生阶跃变化的时间作为起飞参考点，然后从起飞参考点开始以固定1秒的间隔向前对原始QAR数据重新进行采样，将每一次的采样时间作为一个采样点，由这些采样数据构成起飞数据集；按照飞行技术手册，起飞阶段共计:T1＝90个采样点；对于着陆阶段，选取刹车动作用点作为着陆参考点，然后以该点作为着陆阶段终点，并从该点开始以固定1秒的间隔向后对原始QAR数据重新进行采样，由这些采样数据构成着陆数据集；根据飞行技术手册，着陆阶段共计:T2＝100个采样点；

完成上述步骤之后，起飞、着陆数据集中的数据均具有相同的帧长度，式(1)表示每个架次航班f起飞或着陆阶段在t时刻的特征向量：

其中表示第p个飞行数据在t时刻的数值，并作为一个特征；

又因为原始QAR数据中存在大量不同类型以及不同单位的数据，因此上述特征必须采用标准化后拥有均值为0、方差为1的形式这时每个架次航班起飞及着陆阶段的特征向量fv如式(2)所示：

3.根据权利要求1所述的基于随机森林的航班飞行风险行为识别方法，其特征在于：在步骤2)中，所述的对上述每个架次航班起飞及着陆阶段的特征向量进行降维与特征提取，得到起飞及着陆阶段的最终特征向量的方法是：

采用基于主成分分析的递归特征消除法来加速选择最优特征，首先利用主成分分析法从每个架次航班起飞及着陆阶段的特征向量fv选择出具有原始QAR数据中90％方差的特征，这时起飞数据集中的特征维度从10620降低到107，着陆数据集中的特征维度从12700降低到115；特征维度大幅度降低后，利用递归特征消除法作为最优特征选择器来选取最优特征，过程分为以下三个步骤：(1)训练最优特征选择器中的特征分类器；(2)计算特征重要性排名；(3)删除排名分数最小的特征，最后使用10折交叉验证方法来确定出最优特征；经过上述处理后，起飞数据集中的特征维度从107降低到36，着陆数据集中的特征维度从115降低到48，分别得到每个架次航班起飞及着陆阶段的最终特征向量FV。