[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

说明书

一种基于改进随机森林的航班飞行风险行为识别方法。其包括标定原始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；对特征向量进行降维与特征提取，得到最终特征向量；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；搭建基于改进随机森林的高风险超限事件识别模型；利用识别模型对改进后的高风险超限事件判定数据集中数据进行分类识别，并对未知风险事件进行二次甄别。本发明能准确识别起飞、着陆阶段常见的高风险超限事件；能够筛选出具有潜在飞行风险的航班供安全管理人员进行二次甄别,从而使飞行员可以更及时地改进技术动作,使管理人员更为从容地进行决策。

技术领域

本发明属于航空运输安全大数据技术领域，具体涉及一种基于改进随机森林的航班飞行风险行为识别方法。

背景技术

随着中国民航机队规模的不断扩大，在未来二十年内中国将成为全球最大的民航市场。但是，随着航线密度的急剧增加，航空公司的日常运营复杂度会日益加大，同时也给飞行安全带来更大的考验。虽然目前航空器的可靠性已经有了较大提高，因机械原因导致的飞行事故已逐年减少，但是人为因素所导致的事故征候却居高不下，其中近九成事故发生在起飞、着陆阶段。

为了对航空器的飞行进行监控与管理，国内的客机上都装配了机载快速存取记录器(Quick access recorder，QAR)，它能精确地记录飞行过程中的各类飞行数据。然而目前多数航空公司对飞行数据的应用局限于超限事件的分析，即计算特定的飞行数据是否超过既定阈值,一旦某个数据在特定飞行阶段超过阈值则会触发相应的超限事件。超限事件产生后，航空公司会对该事件进行深入分析并找到触发事件的不规范操作，进而避免类似风险的再次发生。然而，这种基于既定阈值的评估标准只能对事先规定了阈值的飞行事件进行监控，而对预防潜在而未知的飞行风险却无能为力。

近年来随着机器学习的深入发展，多元时间序列的分析成为一大热点，其中基于随机森林的方法因其识别精度高和计算时效性强而广受各行业的关注。QAR数据作为一种典型的多元时间序列同样适用该方法加以分析研究。相对于传统的超限事件分析法，该方法不仅可以识别已知的超限事件，还可以发现一部分具有潜在风险的飞行操作模式实现风险控制，这对于保障实际的飞行安全而言，具有很大的意义。但目前尚未发现有效的方法。

发明内容

为了解决上述问题，本发明的目的在于提出一种基于改进随机森林的航班飞行风险行为识别方法。

为了达到上述目的，本发明提供的基于改进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)搭建基于改进随机森林的高风险超限事件识别模型；

步骤5)利用上述基于改进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：