CN110472869A - 航班运行风险计算方法、装置、设备和可读存储介质 - Google Patents

航班运行风险计算方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN110472869A
CN110472869A CN201910754506.4A CN201910754506A CN110472869A CN 110472869 A CN110472869 A CN 110472869A CN 201910754506 A CN201910754506 A CN 201910754506A CN 110472869 A CN110472869 A CN 110472869A
Authority
CN
China
Prior art keywords
risk
vector
value
weight
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910754506.4A
Other languages
English (en)
Inventor
果旭
李孟格
刘学敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air China Ltd
Original Assignee
Air China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Air China Ltd filed Critical Air China Ltd
Priority to CN201910754506.4A priority Critical patent/CN110472869A/zh
Publication of CN110472869A publication Critical patent/CN110472869A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种航班运行风险计算方法、装置、设备和可读存储介质，其中，方法包括：根据目标航班的各风险因素，在风险树形模型中确定所述目标航班的各关联节点；利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；将风险树形模型的根节点的风险值作为所述目标航班的风险值。本发明通过建立风险树形模型，采用基于权重的隶属度和模糊算子计算风险值，得到的风险值更加准确，从而可以准确地预警，提高航班运行安全。

Description

航班运行风险计算方法、装置、设备和可读存储介质
技术领域
本发明涉及航空技术领域，尤其涉及一种航班运行风险计算方法、装置、设备和可读存储介质。
背景技术
目前的航班运行风险预警的方案，通常采用简单的乘除算法计算航班的总的风险。由于风险预警涉及的因素有很多，有的因素的风险值非常高，有的因素的风险值非常低，导致预警结果不准确。
发明内容
本发明实施例提供一种航班运行风险计算方法、装置、设备和可读存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本发明实施例提供了一种航班运行风险计算方法，包括：
根据目标航班的各风险因素，在风险树形模型中确定所述目标航班的各关联节点；
利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；
将风险树形模型的根节点的风险值作为所述目标航班的风险值。
在一种实施方式中，还包括：
利用各所述关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各所述叶子节点的隶属度向量。
在一种实施方式中，利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值，包括：
利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
利用各所述子节点相对于所述母节点的权重、所述评判矩阵以及模糊算子，计算得到所述母节点的隶属度向量；
利用所述母节点的隶属度向量，计算所述母节点的风险值。
在一种实施方式中，利用所述母节点的隶属度向量，计算所述母节点的风险值，包括：
将各风险类别的平均风险值作为权重，与所述母节点的隶属度向量进行加权平均，得到所述母节点的风险值。
在一种实施方式中，还包括：通过层次分析法确定各所述子节点相对于所述母节点的权重。
在一种实施方式中，所述通过层次分析法确定各所述子节点相对于所述母节点的权重包括：
将同一母节点所关联的各子节点相对于所述母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵，并确定所述判断矩阵的最大特征值和标准化的特征向量；
根据所述判断矩阵的最大特征值，确定检验所述判断矩阵一致性的指标；
如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
在一种实施方式中，在所述确定检验所述判断矩阵一致性的指标后还包括：
根据判断矩阵的阶数选取相应的修正值修正所述指标，得到修正后的指标；
所述如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重，包括：如果所述修正后的指标在预设范围内，则将所述判断矩阵标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
在一种实施方式中，还包括：
获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
根据所述常权向量和所述风险向量进行状态变权，确定最终的变权向量；
根据所述最终的变权向量中的各分量重新确定所述同一母节点所关联的各自节点权重。
第二方面，本发明实施例提供了一种航班运行风险计算装置，包括：
风险树形模型模块，用于根据目标航班的各风险因素，在风险树形模型中确定所述目标航班的各关联节点；
风险值获取模块，用于利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；
航班风险确定模块，用于将风险树形模型的根节点的风险值作为所述目标航班的风险值。
在一种实施方式中，还包括：
叶子节点隶属度确定模块，用于利用各所述关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各所述叶子节点的隶属度向量。
在一种实施方式中，所述风险值获取模块包括：
评判矩阵子模块，用于利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
母节点隶属度子模块，用于利用各所述子节点相对于所述母节点的权重、所述评判矩阵以及模糊算子，计算得到所述母节点的隶属度向量；
母节点风险值子模块，用于利用所述母节点的隶属度向量，计算所述母节点的风险值。
在一种实施方式中，所述母节点风险值子模块具体用于将各风险类别的平均风险值作为权重，与所述母节点的隶属度向量进行加权平均，得到所述母节点的风险值。
在一种实施方式中，还包括：
子节点权重确定模块，用于通过层次分析法确定各所述子节点相对于所述母节点的权重。
在一种实施方式中，所述子节点权重确定模块包括：
判断矩阵子模块，用于将同一母节点所关联的各子节点相对于所述母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵，并确定所述判断矩阵的最大特征值和标准化的特征向量；
指标确定子模块，用于根据所述判断矩阵的最大特征值，确定检验所述判断矩阵一致性的指标；
权重子模块，如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述每一所述节点的权重。
在一种实施方式中，所述子节点权重确定模块还包括：
指标修正子模块，用于根据判断矩阵的阶数选取相应的修正值修正所述指标，得到修正后的指标；
所述权重子模块用于如果所述修正后的指标在预设范围内，则将所述判断矩阵标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
在一种实施方式中，包括：
常权向量和风险向量模块，用于获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
变权向量确定模块，用于根据所述常权向量和所述风险向量进行状态变权，确定最终的变权向量；
权重更新模块，用于根据所述最终的变权向量中的各分量重新确定所述同一母节点所关联的各子节点的权重。
第三方面，本发明实施例提供了一种航班运行风险计算设备，所述设备的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述设备的结构中包括处理器和存储器，所述存储器用于存储支持所述设备执行上述航班运行风险计算方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述设备还可以包括通信接口，用于与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储航班运行风险计算设备所用的计算机软件指令，其包括用于执行上述航班运行风险计算方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：通过建立风险树形模型，考虑风险因素间的关联关系，采用基于权重的隶属度和模糊算子计算风险值，得到的风险更加准确，从而可以准确地预警，提高航班运行安全。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的航班运行风险计算方法的流程图；
图2a和图2b示出根据本发明实施例的航班起飞前后的风险树形模型示例图；
图3示出根据本发明实施例的“飞机”模块的风险树形模型示例图；
图4示出根据本发明实施例的梯形隶属函数的示意图；
图5示出根据本发明实施例的抛物线型隶属函数的示意图；
图6示出根据本发明实施例的正态分布隶属函数的示意图；
图7示出根据本发明实施例的柯西分布型隶属函数的示意图；
图8示出根据本发明实施例的岭形隶属函数的示意图；
图9示出根据本发明实施例的分界值为(1.5，2.5，4，5，6.5，7.25，8.5，9)的梯形隶属函数的示意图；
图10示出根据本发明实施例的单节点风险树形模型的示例图；
图11a-图11e示出根据本发明实施例的几种均衡力变权对应得到航班风险的示例图；
图12示出根据本发明实施例的航班运行风险计算装置的结构框图；
图13示出根据本发明实施例的航班运行风险计算设备的结构框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本发明实施例的航班运行风险计算方法的流程图。如图1所示，该航班运行风险计算方法包括：
S1、根据目标航班的各风险因素，在风险树形模型中确定目标航班的各关联节点。例如，每一个节点表示一个风险因素，每一个节点的属性包括风险值和隶属度向量。
示例性的，参见图2a和图2b分别表示风险树形模型中起飞前和起飞后的目标航班所关联的风险因素，包括机组C1、飞机A1和环境E1等。
在一种示例中，环境E1作为母节点，其关联的风险因素可以包括机场E1.1和航线E1.2。这种情况下，环境E1属于母节点，机场E1.1和航线E1.2属于子节点。
在另一种示例中，环境E1作为母节点，其关联的风险因素可以包括机场E1.1、航线E1.2和飞行计划偏离E1.2。这种情况下，环境E1属于母节点，机场E1.1、航线E1.2、和飞行计划偏离E1.2属于子节点。
进一步的，对于不同的航班，每一个作为母节点的风险因素关联的子节点的类型和数量可以有所不同。例如图3示例的某个航班的飞机A1所关联的子节点包括飞机技术状态A1.1、保留故障信息A1.2和飞机属性A1.4T；而飞机技术状态A1.1所关联的子节点包括飞机运行可靠性A1.1.1T、运行提示A1.1.2T、大修/换发后首航A1.1.3T、重要性故障信息A1.1.6T；同理，如图3，保留故障信息A1.2和飞机属性A1.4T也各关联了相关的子节点。
S2、利用各关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值.
参见图2a示例，风险因素机组C1的权重w＝0.73，飞机A1的权重w＝0.08,环境E1的权重w＝0.19。参见图3，飞机技术状态A1.1的权重w＝0.73、保留故障信息A1.2的权重w＝0.19，和飞机属性A1.4T的权重w＝0.08，其它节点的权重设置可以见图所示，此处不再赘述。
S3、将风险树形模型的根节点的风险值作为目标航班的风险值。其中，风险树形模型的最上层的节点为根节点。
本实施例通过建立风险树形模型，考虑风险因素间的关联关系，采用基于权重的隶属度和模糊算子计算风险值，得到的风险更加准确，从而可以准确地预警，提高航班运行安全。
在一种实施方式中，该方法还包括步骤：
利用各关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各叶子节点的隶属度向量。
其中，树形模型的最下层的节点为叶子节点。叶子节点的风险值可以由用户输入，或者通过其他方式获得。
例如，隶属函数为分段线性函数，m个风险类别确定m个分段隶属函数；
在一种实施方式中，隶属函数可以包括梯形隶属函数、抛物线型隶属函数、正态分布隶属函数、柯西分布型隶属函数或岭形隶属函数。
例如，风险类别包括五类，m＝5,包括高、中高、中、中低、低五类风险。以x表示风险值，g(x)表示隶属度，由g1(x)～g5(x)构成隶属度向量；给出下列不同类型的隶属函数的具体表达式。
第一种类型：
参见图4，隶属函数的类型为梯形隶属函数，a1～a8表示模糊分界值；缺省参数可以为：值向量Value vector＝c(1.5,4,6.5,8.5,10)；(a1,a2,a3,a4,a5,a6,a7,a8)＝c(1.5,2.5,4,5,6.5,7.25,8.5,9)；不同风险类别对应的风险隶属函数如下：
第二种类型：
参见图5，隶属函数的类型为抛物线型隶属函数，a1～a8表示模糊分界值；缺省参数可以为：值向量Valuevector＝c(1.5,4,6.5,8.5,10)，即图5中x的默认取值；(a1,a2,a3,a4,a5,a6,a7,a8,a9)＝c(1.5,2.5,4,5,6.5,7.25,8.5,9,2)；不同风险类别对应的风险隶属函数如下：
第三种类型：
参见图6，隶属函数的类型为正态分布隶属函数，a6＝1，a1～a5表示模糊分界值；缺省参数可以为：值向量Valuevector＝c(1.5,3.25,5.625,7.75,10)，即图6中x的默认取值；(a1,a2,a3,a4,a5,a6)＝c(1.5,3.25,5.625,7.75,9,1)；不同风险类别对应的风险隶属函数如下：
第四种类型：
参见图7，隶属函数的类型为柯西分布型隶属函数，a6＝1，a7＝6，a1～a5表示模糊分界值；缺省参数可以为：值向量Valuevector＝c(1.5,3.25,5.625,7.75,10)，即图4中x的默认取值；(a1,a2,a3,a4,a5,a6,a7)＝c(1.5,3.25,5.625,7.75,9,1,6)；不同风险类别对应的风险隶属函数如下：
第五种类型：
参见图8，隶属函数的类型为岭形隶属函数，a1～a5表示模糊分界值；缺省参数可以为：值向量Valuevector＝c(1.5,3.25,5.625,7.75,10)，即图4中x的默认取值；(a1,a2,a3,a4,a5)＝c(1.5,3.25,5.625,7.75,9)；不同风险类别对应的风险隶属函数如下：
示例性的，参见图9，隶属函数的类型选用第一种类型，即梯形隶属函数，风险类别包括低、中低、中、中高、高风险的共五类，模糊分界值依次为1.5，2.5，4，5，6.5，7.25，8.5，9，则不同风险类别对应的风险隶属函数如下：
参见图10，一种单节点的树形图，其中，已知母节点P关联n个子节点C1,C2，……Ck，……，Cn，子节点C1,C2，……Ck，……，Cn的权重对应为w1,w2,……wk……wn；n表示子节点的个数。如果设一节点C1的风险值r1＝7，将r1＝7分别代入(1a)-(1e)式，依次得低、中低、中、中高、高风险的隶属度为0，0，1/3，2/3和0，则获得该节点C1的隶属度向量为(0，0，1/3，2/3，0)。
在一种实施方式中，还包括：通过层次分析法确定各子节点相对于母节点的权重。层次分析法是一种定性与定量分析相结合的多目标决策方法。特别是将决策者的经验判断进行量化，在目标因素结构复杂且缺乏必要的数据的情况下更为实用。
在一种实施方式中，通过层次分析法确定各子节点相对于母节点的权重包括：
S101、将同一母节点所关联的各子节点相对于所述母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵A＝(aij)，并确定所述判断矩阵A＝(aij)的最大特征值和标准化的特征向量；
其中，比较两两子节点的重要程度可以通过经验数据以及人为的判断进行决策。例如，选择若干名专家对因素的重要性进行评定，采用投票制决定两两比较子节点对(Ci,Cj)对应的风险因素对母节点风险值的影响的重要程度，并将比较结果量化为比值aij；其中，i和j为整数，且1≤i≤n，1≤j≤n，n表示节点的个数。
此外，要求节点Ci与节点Cj比较所得的比值与节点Cj与节点Ci比较所得的比值是倒数关系，即aji＝1/aij。
参见表1，表1为比较节点Ci与节点Cj的比较结果量化为比值的示例。
表1
S102、根据判断矩阵的最大特征值，确定检验判断矩阵一致性的指标；具体通过公式：
其中，CI表示指标，λ表示判断矩阵A的最大特征值，n表示判断矩阵A的阶数,n也是当前母节点所关联的子节点的个数。
通过两两比较构造判断矩阵A的办法虽能减少其它因素的干扰，较客观地反映出一对指标相对重要性的差别，但综合全部比较结果时难免存在一定程度的非一致性，因此计算出判断矩阵A的最大特征值λ和对应的标准化(分量之和为1)的特征向量，需要由最大特征值λ检验判断矩阵A是否存在严重的非一致性。由检验结果决定是否接受判断矩阵A。
具体，可以证明当最大特征值λ比判断矩阵A的阶数n大得越多，非一致性程度也就越严重，所对应的标准化特征向量也就越不能真实地反映出各因素的相对重要程度。这里λ-n代表了不一致性，以其平均值作为检验判断矩阵一致性的指标。
S103、如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为同一母节点所关联的各子节点的权重。如果指标不在预设范围内，则重新回到步骤S101进行两两比较。
示例的，当λ＝n，CI＝0，为完全一致；CI越大，判断矩阵的完全一致性越差。一般只要CI≤0.1，认为判断矩阵的一致性可以接受，否则重新进行两两比较判断。
在一种实施方式中，判断矩阵的维数越大，判断的一致性将越差，理应放宽对高维判断矩阵一致性的要求，于是在步骤S102后还包括对指标的修正。具体包括：根据判断矩阵的阶数选取相应的修正值修正指标，得到修正后的指标；
参见表2，给出判断矩阵的阶数相对应的修正值的示例。
表2
通过修正值修正指标的公式如下:
其中，CR表示修正后的指标，RI表示修正值。
对应的，步骤S103具体包括：
如果修正后的指标在预设范围内，则将判断矩阵标准化的特征向量中的各分量确定为同一母节点所关联的各子节的权重，即对应子节点C1,C2,…,Cn对应的权值。
当CR≤0.1时，判断矩阵的一致性在合理范围内，接受判断矩阵A标准化的特征向量作为权重向量。否则，修改判断矩阵，重新计算新的判断矩阵的最大特征值及对应的特征向量，并进行判断，直到通过检验。
这里需要说明的是，基于表2，n＝1,2不需要一致性检验。当n＝3时，判断矩阵A的最大特征值λ≤3.12即可通过检验；当n＝4时，判断矩阵A的最大特征值λ≤4.23即可通过检验；当n＝5时，判断矩阵A的最大特征值λ≤5.45即可通过检验。
在一种实施方式中，步骤S2包括：
S21、利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
假设n个子节点的权重向量w＝(w1,w2,w3,……，wn)，子节点Ci的风险值ri的隶属度向量为di＝(di1,di2,di3,di4,di5)，这时n个子节点的隶属度向量作为行向量，形成评判矩阵D：
S22、利用各子节点相对于母节点的权重、评判矩阵以及模糊算子，计算得到母节点的隶属度向量；
其中，B为母节点的隶属度向量，w为子节点的权重向量，D为评判矩阵。表示通过模糊算子计算权重和评判矩阵。下述表3给出了几种常用的模糊算子的定义以及对应的模型特点。
表3
其中，定义运算符号∨和∧为：a∧b＝min(a,b),a∨b＝max(a,b)。
示例，若采用编号A的模糊算子，则通过下述公式计算(4)式中的b1、b2、b3、b4、b5通过下述公式获取：
bj＝(w1∧d1j)∨(w2∧d2j)∨…∨(wn∧dnj),j＝1,2,3,4,5 (5)
编号A的模糊算子模型主要考虑了突出的因素而忽略了其余因素的影响。其优点是简单易行，且反映了许多实际问题的实质。
需要说明，若使用表3中编号为D(即均衡型算子)的模型计算时，若对固定的j,即输入的风险值模糊化时，第j个风险级别的隶属度均为0，则直接给bj赋0即可。
S23、利用母节点的隶属度向量，计算母节点的风险值。
在一种实施方式中，步骤S23具体包括：将各风险类别的平均风险值作为权重，与母节点的隶属度向量进行加权平均，得到母节点的风险值。
将b1,b2,b3,b4,b5中的最大值的指标作为母节点的风险类别。给定低、低中、中、中高和高五个风险等级的平均风险值分别为a1,a2,a3,a4,a5，将其作为权重与母节点的隶属度向量做加权平均，即得母节点最终的风险值：
其中，R表示母节点的最终风险值，m表示风险类别的类别数。
示例的，这里以机组、飞机、环境为子节点，以航班风险为母节点，用三种典型情况来说明如何利用上述实施例进行航班风险计算。具体地，分别就航班的两组机组、飞机、环境的风险值，评估对应航班评的风险值：
(i)机组、飞机、环境的风险向量为(9,7,5)；
(ii)机组、飞机、环境的风险向量为(7,9,5)。
这里选(1a)～(1e)式的梯形隶属函数，得机组、飞机、环境的风险向量为(9,7,5)和(7,9,5)时的评判矩阵为：
和
根据现有飞机的性能，通常评定：“机组”的因素比“飞机”的因素重要得多；“环境”的因素比“飞机”的因素重要得多。但机组和环境这样简单比较不太容易。为此，这里分三种典型情况给出这种方法的说明。
(a)“环境”和“机组”的因素同等重要，二者均比“飞机”的因素重要得多：
对于这种典型情况，按照表1的打分标准，得判断矩阵(第1-3列依次代表机组、环境、飞机，第1-3行依次代表机组、环境、飞机)
A的最大特征值λ＝3，对应的特征向量w＝[0.7035 0.7035 0.1005]。根据(2)式和(3)式，得到校验一致性的指标以及修正后的指标为CI＝CR＝0，所以通过一致性检验。将w单位化(除以w的分量和)得最终的权重向量w：
w＝[0.4667 0.4667 0.0667]. (7)
(b)“环境”较“机组”的因素重要，“机组”比“飞机”的因素重要：
对于这种典型情况，按照表1的打分标准，得判断矩阵(第1-3列依次代表机组、环境、飞机，第1-3行依次代表机组、环境、飞机)
A的最大特征值λ＝3.0649，对应的特征向量w＝[0.2483 0.9628 0.1067]。根据(2)式、(3)式和表2，得到：
所以通过一致性检验。将w单位化(除以w的分量和)得最终的权重向量w：
w＝[0.1884 0.7306 0.0810]. (8)
(c)“机组”较“环境”的因素重要，“环境”比“飞机”的因素略重要：
对于这种典型情况，按照表1的打分标准，得判断矩阵(第1-3列依次代表机组、环境、飞机，第1-3行依次代表机组、环境、飞机)
A的最大特征值λ＝3.0649，对应的特征向量w＝[0.9628 0.2483 0.1067]。根据(2)式、(3)式和表2，得到：
所以通过一致性检验。将w单位化(除以w的分量和)得最终的权重向量w：
w＝[0.7306 0.1884 0.0810] (9)
有了(7)-(9)式的权重，针对表3中的每种模糊算子都计算母节点航班的隶属度向量，得到表4。给定低、低中、中、中高和高五个风险等级的平均风险值(a1,a2,a3,a4,a5)分别为(1.5,4,6.5,8.5,10)，通过公式(6)进行加权平均，计算得到母节点的风险值，参见表5。
表4
表5
场景 机组、环境、飞机的权重向量(w) A B C D
(a) [0.4667 0.4667 0.0667] 8.53 8.92 8.76 8.55
(b) [0.1884 0.7306 0.0810] 8.18 8.28 8.138 8.20
(c) [0.7306 0.1884 0.0810] 9.15 9.50 9.31 8.97
由表4可以看出，航班风险的评价结果与权重设置有关。就此终端因素(9,7,5)而言，机组的因素风险最高，场景(a)中机组和环境的重要性一致，这时出现了风险综合的效应；场景(b)突出环境的重要性，所以航班风险值大于环境的风险，小于机组的风险；场景(c)突出机组的重要性，这时出现了风险叠加效应。
由表4，航班风险的最终评价结果在情况(a)是高风险、情况(b)是中高风险、情况C是高风险。更详细的风险值见表5。以模糊算子A为例，在(a)、(b)和(c)三种情形下航班的风险值分别为8.53,8.18和9.15.
表6和表7分别给出了机组、环境、飞机的风险值为(7,9,5)时航班风险的隶属度向量和航班的风险值。这里结果的解释类似表4和表5。不管那种情形，四种模糊算子都为航班预测出了基本一致的风险类别。具体的航班风险值稍有差异，模糊算子(A)和(D)的预测结果比较接近，模糊算子(B)和(C)的预测结果比较接近。
表6
场景 (a) (b) (c)
权重 [0.4667 0.4667 0.0667] [0.1884 0.7306 0.0810] [0.7306 0.1884 0.0810]
A [0 0 0.26 0.37 0.37] [0 0 0.17 0.17 0.66] [0 0 0.28 0.56 0.16]
B [0 0 0.17 0.33 0.50] [0 0 0.09 0.13 0.78] [0 0 0.26 0.53 0.21]
C [0 0 0.22 0.31 0.47] [0 0 0.14 0.13 0.73] [0 0 0.32 0.49 0.19]
D [0 0 0.26 0.37 0.37] [0 0 0.23 0.16 0.61] [0 0 0.27 0.58 0.15]
表7
场景 机组、环境、飞机的权重向量(w) A B C D
(a) [0.4667 0.4667 0.0667] 8.53 8.92 8.76 8.56
(b) [0.1884 0.7306 0.0810] 9.15 9.50 9.31 8.97
(c) [0.7306 0.1884 0.0810] 8.18 8.28 8.13 8.20
在一种实施方式中，该方法还包括：
S201、获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
S202、根据常权向量和风险向量进行状态变权，确定变权向量；
S203、根据变权向量中的各分量重新确定同一母节点所关联的各子节点的权重。
在一种实施方式中，给出步骤S202进行变权所引入的状态变权向量公理化定义：
(一)假设有常权向量所谓一组(n维)变权是下述n个映射wj:[0,1]n→[0,1]，即表示实数集。
同时令称w(r)＝w(r1,…,rn)为变权向量，这里变权向量是常权向量与状态变权向量sr的(归一化)Hardarmard乘积，即
其中，状态变权向量sr是某个n维实函数的梯度向量。 称为与sr的Hardarmard乘积。“n维实函数”可称之为均衡函数，它的功能是用其梯度向量对状态作某种均衡作用。下面是它的正式定义。
(二)函数表示实数域)叫做一个(m元)均衡函数，如果该均衡函数有连续的偏导数，并且其梯度向量是一个状态变权向量。
(三)在可加性系统决策中，起综合作用的综合函数Mn常常取作如下的形式：
其中，wj∈[0,1](j＝1,2,…,n)且满足通常称(10)为加权平均或加权求和。那么在引入变权之后，综合函数Mn则变为：
(四)设r＝(r1,…,rn)为因素状态向量，称
为该因素状态向量的离散度。离散度的几何意义：在n维欧氏空间中，点(r1,…,rn)∈[0,1]n到直线r1＝r2＝…＝rn的距离平方。不难理解，当r1＝r2＝…＝rn时，可以认为因素状态之间保持绝对均衡。此时离散度(13)的取值为0。该讨论表明离散度反映了因素状态向量相对于绝对均衡情形的偏差程度。离散度的值越大，说明因素状态之间的均衡程度越低；离散度的值越小，则因素状态之间均衡程度越高。下面给出离散度的一个重要性质，基于该性质，可以给出确定变权的一种经验公式。
当n为偶数时，d(r)在r＝(1,…,1,0,…,0)(其中1有n/2个)处取到最大值n/4；当n为奇数时，d(r)在r＝(1,…,1,0,…,0)(其中1有(n-1)/2个)处取到最大值(n2-1)/4n。称这样的因素组态为极点组态，记为rp；易知极点组态不止一个，如当n为偶数时共有个。
下面利用状态变权向量在极点组态时的离散度来分析状态变权向量的选用原则。
设wk＝min{w1,…,wn}，取极点组态rp，要求在其中因素fk的状态值为1。为计算方便，先对rp进行如下形式上的处理：将其中fk的状态值1换为变量rk，其它取1的状态值换为趋于1的数ε，得到一个新的状态向量r′p。对于给定的状态变权向量s(r)＝(s1(r),…,sn(r))，定义极点组态上的函数
再求该函数的极小值，即令
最后令
则0≤bf≤1。
(i)当bf＝0时，Δ＝1，此时对任意的j，均有即此时的变权为常权；
(ii)若bf＝1，则状态变权向量在某个极点组态r′p处有wk(r′p)＝1，此时的变权综合函数M(r)＝max{r1,r2…rn}，即变权综合退化为取大算子。
因此，从某种意义上来说，bf的值反映了状态变权向量对因素状态向量“均衡性”的调整程度。因此也称bf为状态变权向量s的均衡力。bf的取值可由决策者事先确定(如可规定权重最多能增大80％或30％等)。
在一种实施方式中，步骤S202采用指数型状态变权向量。指数型状态变权向量可以通过给定不同的均衡力来确定合适的参数，因而更具有灵活性。风险因素向量对应为上述公理化定义中的因素状态向量r＝(r1,…,rn)。步骤S202的具体过程：
给定风险因素向量r＝(r1,…,rn)和常权向量指数型状态变权向量为：
其中，参数α>0。将常权向量按升序排列，得经计算得：
其中，当n为偶数时，s＝n/2；当n为奇数时，s＝(n-1)/2。这说明此时α选用不同的值可得到不同的均衡力bf。特别地，
(i)如果α＝0，因为所以Δ＝1，进而bf＝0，因此变权综合退化为常权综合；
(ii)若α→∞，则
此时因素的权重在几个状态值取1的因素之间重新分配，故变权综合相当于取大算子。
通过步骤S201获取风险因素向量r＝(r1,…,rn)和常权向量 参数bf∈[0,1]。另外，步骤S201还包括获取由用户设定的均衡力bf∈[0,1]。
则步骤S202的变权步骤如下：
S2021、令将按升序排列，得
S2022、由(15)式代入s、n,确定包含未知数α的Δ。
S2023、解关于参数α的方程组
得到参数α>0；
S2024、将参数α>0代入(14)式得到状态变权向量
S2025、得到变权向量w‘(r)
根据上述实施方式，给出下列几个变权算例：
算例1：
假设待变权的三个节点的风险值向量r＝(2,5,9)，常权向量
可知此时，s＝1，所以由(15)式有
将Δ和bf＝0.15代入(16)式，得
解得α＝0.2586343.将α＝0.2586343和代入(17)式，得变权后的权重向量w‘＝(0.11,0.23,0.66)。待变权的三个节点的权重更新为变权向量w‘＝(0.11,0.23,0.66)中的三个分量。
算例2：
假设待变权的三个节点的风险值向量为r＝(9,2,5)，常权向量 bf＝0.15；
可知此时，s＝1， 所以由(15)式有
将Δ和bf＝0.15代入(16)式，得
解得α＝0.4560983。
将α＝0.4560983和代入(17)式，得到变权向量w‘＝(0.33,0.06,0.61)。
待变权的三个节点的权重对应更新为w‘＝(0.33,0.06,0.61)中的三个分量。
算例3：
假设待变权的三个节点风险值向量r＝(9,2,5)，常权向量为
可知此时，s＝1， 所以由(15)式有
将Δ和bf＝0.15代入(16)式，得
解得α＝0.4560983。
将α＝0.4560983和代入(17)式，求得变权向量w‘＝(0.88,0.09,0.03)。待变权的三个节点的权重更新为变权向量w‘＝(0.88,0.09,0.03)中的三个分量。
算例4：
假设待变权的三个节点的风险值向量r＝(9,2,5)，常权向量
可知此时，s＝1， 所以由(15)式有
将Δ和bf＝0.15代入(16)式，得
解得α＝0.4560983。
将α＝0.4560983和代入(17)式，得到变权向量w‘＝(0.936,0.003,0.061)。
待变权的三个节点的权重更新为变权向量w‘＝(0.936,0.003,0.061)中的三个分量。
需要说明的是，采用指数型状态变权向量等价于确定参数α>0。为了得到参数α，需要计算所给常权向量的最小值wk和参数bf。由以上计算看到，计算过程与常权向量的最小值在哪个指标处取到无关。以例2，例3和例4为例，给定的常权向量的三个分量是相同的，仅是位置不同，从而对相同的参数bf，计算得到的参数α是相同的。
表8和表9分别是在均衡力bf＝0和bf＝0.15，以及常权向量的情况下，计算得到母节点的风险值。可以看出，表9的值明显都高于表8的值。以子节点风险值为(9，2，5)，模糊算子C为例：当不变权时，母节点的风险值为6.42，出现风险淹没；变权之后为母节点的风险值为8.4，可以看出变权能解决风险淹没的问题。
表8
风险值 模糊算子A 模糊算子B 模糊算子C 模糊算子D
(9,2,5) 5.50 6.42 6.42 5.50
(5,6,7) 7.50 7.30 6.94 7.08
(1,2,3) 2.75 2.75 2.75 2.75
(9,7,5) 8.33 8.31 8.11 7.97
(2,5,9) 5.50 6.42 6.42 5.50
(2,9,5) 5.50 6.42 6.42 5.50
表9
风险值 变换后的权重 模糊算子A 模糊算子B 模糊算子C 模糊算子D
(9,2,5) (0.66,0.11,0.23) 7.85 8.40 8.40 7.85
(5,6,7) (0.25,0.33,0.42) 7.62 7.43 7.06 7.24
(1,2,3) (0.25,0.33,0.42) 2.91 3.07 2.96 2.91
(9,7,5) (0.51,0.31,0.18) 8.64 8.95 8.70 8.42
(2,5,9) (0.11,0.23,0.66) 7.85 8.40 8.40 7.85
(2,9,5) (0.11,0.66,0.23) 7.85 8.40 8.40 7.85
另外，下述表10给出了子节点的风险值为(9,2,5)和常权向量且当均衡力bf在区间[0,0.2]取值时航班的风险评估值。由表10可以看出，变权效果随着bf的值的增大而增大。在实际运用过程中我们可以根据实际情况调整bf的值，以达到需要的变权效果。
表10
bf值 α值 模糊算子A 模糊算子B 模糊算子C 模糊算子D
0 0.0000 5.07 5.70 5.70 5.07
0.05 0.1475 5.69 6.22 6.22 5.69
0.1 0.2768 6.40 6.80 6.80 6.40
0.15 0.4182 7.17 7.44 7.44 7.17
0.2 0.5619 7.95 8.11 8.11 7.95
另外，除了上述给出的两层节点构成的模型的变权效果。参见图11，给出了具备三层节点的树形模型。其中，图11给出在相同叶子节点的风险值的情况下，采用几种均衡力对应得到的权重和风险值，具体，图11a至图11e依次采用的均衡力bf为0，0.05，0.1，0.15，0.2。其中，图中每一方框表示一节点，每一节点方框内的数值为风险值，方框外的相应的数值为权重。举例，图11a所示，最左边模块的母节点的风险值为5.47，权重为0.0667，所关联子节点风险值依次为1,9,1，对应的权重分别为0.4667,0.4667，0.0667。
可以看出，当不采用变权时，图11a底层的节点的高风险值9，8，8会被淹没掉。而随着均衡力bf的增大，底层的高风险值会逐渐在顶层体现出来，这证明变权方法是可行的。
通常，bf取0-1之间。当bf＝0时，即不变权；当bf＝1时，算法等价于取大算法。
图12示出根据本发明实施例的航班运行风险计算装置的结构图，该装置包括：
风险树形模型模块1，用于根据目标航班的各风险因素，在风险树形模型中确定目标航班的各关联节点；
风险值获取模块2，用于利用各关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；
航班风险确定模块3，用于将风险树形模型的根节点的风险值作为目标航班的风险值。
在一种实施方式中，本装置还包括：
叶子节点隶属度确定模块，用于利用各关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各叶子节点的隶属度向量。
在一种实施方式中，风险值获取模块2包括：
评判矩阵子模块21，用于利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
母节点隶属度子模块22，用于利用各子节点相对于母节点的权重、评判矩阵以及模糊算子，计算得到母节点的隶属度向量；
母节点风险值子模块23，用于利用母节点的隶属度向量，计算母节点的风险值。
在一种实施方式中，母节点风险值子模块具体用于将各风险类别的平均风险值作为权重，与母节点的隶属度向量进行加权平均，得到母节点的风险值。
在一种实施方式中，还包括：
子节点权重确定模块，用于通过层次分析法确定各子节点相对于母节点的权重。
在一种实施方式中，子节点权重确定模块包括：
判断矩阵子模块，用于将同一母节点所关联的各子节点相对于母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵，并确定判断矩阵的最大特征值和标准化的特征向量；
指标确定子模块，用于根据判断矩阵的最大特征值，确定检验判断矩阵一致性的指标；
权重子模块，如果指标在预设范围内，则将标准化的特征向量中的各分量确定为同一母节点所关联的各子节点的权重。
在一种实施方式中，子节点权重确定模块还包括：
指标修正子模块，用于根据判断矩阵的阶数选取相应的修正值修正指标，得到修正后的指标；
权重子模块用于如果修正后的指标在预设范围内，则将判断矩阵标准化的特征向量中的各分量确定为同一母节点所关联的各子节点的权重。
在一种实施方式中，还包括：
常权向量和风险向量模块，用于获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
变权向量确定模块，用于根据常权向量和风险向量进行状态变权，确定最终的变权向量；
权重更新模块，用于根据最终的变权向量中的各分量重新确定同一母节点所关联的各子节点的权重。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
图13示出根据本发明实施例的航班风险计算设备的结构框图。如图13所示，该航班风险计算设备包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的航班风险计算设备方法。所述存储器910和处理器920的数量可以为一个或多个。
该航班风险计算设备设备还包括：
通信接口930，用于与外界设备进行通信，进行数据交互传输。
存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (18)

1.一种航班运行风险计算方法，其特征在于，包括：
根据目标航班的各风险因素，在风险树形模型中确定所述目标航班的各关联节点；
利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；
将风险树形模型的根节点的风险值作为所述目标航班的风险值。
2.根据权利要求1所述的方法，其特征在于，还包括：
利用各所述关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各所述叶子节点的隶属度向量。
3.根据权利要求1或2所述的方法，其特征在于，利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值，包括：
利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
利用各所述子节点相对于所述母节点的权重、所述评判矩阵以及模糊算子，计算得到所述母节点的隶属度向量；
利用所述母节点的隶属度向量，计算所述母节点的风险值。
4.根据权利要求3所述的方法，其特征在于，利用所述母节点的隶属度向量，计算所述母节点的风险值，包括：
将各风险类别的平均风险值作为权重，与所述母节点的隶属度向量进行加权平均，得到所述母节点的风险值。
5.根据权利要求1所述的方法，其特征在于，还包括：通过层次分析法确定各所述子节点相对于所述母节点的权重。
6.根据权利要求5所述的方法，其特征在于，所述通过层次分析法确定各所述子节点相对于所述母节点的权重，包括：
将同一母节点所关联的各子节点相对于所述母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵，并确定所述判断矩阵的最大特征值和标准化的特征向量；
根据所述判断矩阵的最大特征值，确定检验所述判断矩阵一致性的指标；
如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
7.根据权利要求6所述的方法，其特征在于，在所述确定检验所述判断矩阵一致性的指标后还包括：
根据判断矩阵的阶数选取相应的修正值修正所述指标，得到修正后的指标；
所述如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重，包括：如果所述修正后的指标在预设范围内，则将所述判断矩阵标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
8.根据权利要求1所述的方法，其特征在于，还包括：
获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
根据所述常权向量和所述风险向量进行状态变权，确定最终的变权向量；
根据所述最终的变权向量中的各分量重新确定所述同一母节点所关联的各子节点权重。
9.一种航班运行风险计算装置，其特征在于，包括：
风险树形模型模块，用于根据目标航班的各风险因素，在风险树形模型中确定所述目标航班的各关联节点；
风险值获取模块，用于利用各所述关联节点中的子节点的隶属度向量、权重和模糊算子，逐层计算子节点上一级的母节点的隶属度向量和风险值；
航班风险确定模块，用于将风险树形模型的根节点的风险值作为所述目标航班的风险值。
10.根据权利要求9所述的装置，其特征在于，还包括：
叶子节点隶属度确定模块，用于利用各所述关联节点中的各叶子节点的风险值和多个风险类别对应的隶属函数，分别计算各风险类别对应的隶属度，得到各所述叶子节点的隶属度向量。
11.根据权利要求9或10所述的装置，其特征在于，所述风险值获取模块包括：
评判矩阵子模块，用于利用与母节点所关联的各子节点的隶属度向量形成评判矩阵；
母节点隶属度子模块，用于利用各所述子节点相对于所述母节点的权重、所述评判矩阵以及模糊算子，计算得到所述母节点的隶属度向量；
母节点风险值子模块，用于利用所述母节点的隶属度向量，计算所述母节点的风险值。
12.根据权利要求11所述的装置，其特征在于，所述母节点风险值子模块具体用于将各风险类别的平均风险值作为权重，与所述母节点的隶属度向量进行加权平均，得到所述母节点的风险值。
13.根据权利要求9所述的装置，其特征在于，还包括：
子节点权重确定模块，用于通过层次分析法确定各所述子节点相对于所述母节点的权重。
14.根据权利要求13所述的装置，其特征在于，所述子节点权重确定模块包括：
判断矩阵子模块，用于将同一母节点所关联的各子节点相对于所述母节点的重要程度进行两两比较，利用比较结果中的所有比值形成判断矩阵，并确定所述判断矩阵的最大特征值和标准化的特征向量；
指标确定子模块，用于根据所述判断矩阵的最大特征值，确定检验所述判断矩阵一致性的指标；
权重子模块，如果所述指标在预设范围内，则将所述标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
15.根据权利要求14所述的装置，其特征在于，所述子节点权重确定模块还包括：
指标修正子模块，用于根据判断矩阵的阶数选取相应的修正值修正所述指标，得到修正后的指标；
所述权重子模块用于如果所述修正后的指标在预设范围内，则将所述判断矩阵标准化的特征向量中的各分量确定为所述同一母节点所关联的各子节点的权重。
16.根据权利要求9所述的装置，其特征在于，还包括：
常权向量和风险向量模块，用于获取同一母节点所关联的各子节点的权重值和风险值，对应组成常权向量和风险向量；
变权向量确定模块，用于根据所述常权向量和所述风险向量进行状态变权，确定最终的变权向量；
权重更新模块，用于根据所述最终的变权向量中的各分量重新确定所述同一母节点所关联的各子节点的权重。
17.一种航班运行风险计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
CN201910754506.4A 2019-08-15 2019-08-15 航班运行风险计算方法、装置、设备和可读存储介质 Pending CN110472869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910754506.4A CN110472869A (zh) 2019-08-15 2019-08-15 航班运行风险计算方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910754506.4A CN110472869A (zh) 2019-08-15 2019-08-15 航班运行风险计算方法、装置、设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN110472869A true CN110472869A (zh) 2019-11-19

Family

ID=68510872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910754506.4A Pending CN110472869A (zh) 2019-08-15 2019-08-15 航班运行风险计算方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN110472869A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991883A (zh) * 2019-12-03 2020-04-10 中国民用航空总局第二研究所 一种基于航班风险前置的运行控制系统及方法
CN112989573A (zh) * 2021-02-08 2021-06-18 国网四川省电力公司营销服务中心 一种计量柜状态检测方法、装置、设备及介质
CN113205240A (zh) * 2021-03-22 2021-08-03 中国科学院空天信息创新研究院 一种卫星频轨资源协调风险评估的柔性处理方法和装置
CN113469584A (zh) * 2021-09-02 2021-10-01 云账户技术(天津)有限公司 一种业务服务运营的风险管理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477643A (zh) * 2008-11-25 2009-07-08 卜全民 一种用于环境风险评价的改进型事故树分析法
CN104376400A (zh) * 2014-10-27 2015-02-25 广州市中南民航空管通信网络科技有限公司 基于模糊矩阵层次分析法的风险评估方法
CN107330521A (zh) * 2017-06-30 2017-11-07 中国人民解放军军械工程学院 无人飞行器状态评估方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477643A (zh) * 2008-11-25 2009-07-08 卜全民 一种用于环境风险评价的改进型事故树分析法
CN104376400A (zh) * 2014-10-27 2015-02-25 广州市中南民航空管通信网络科技有限公司 基于模糊矩阵层次分析法的风险评估方法
CN107330521A (zh) * 2017-06-30 2017-11-07 中国人民解放军军械工程学院 无人飞行器状态评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李德清等: "状态变权向量的变权效果", 《系统工程理论与实践》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991883A (zh) * 2019-12-03 2020-04-10 中国民用航空总局第二研究所 一种基于航班风险前置的运行控制系统及方法
CN110991883B (zh) * 2019-12-03 2022-05-20 中国民用航空总局第二研究所 一种基于航班风险前置的运行控制系统及方法
CN112989573A (zh) * 2021-02-08 2021-06-18 国网四川省电力公司营销服务中心 一种计量柜状态检测方法、装置、设备及介质
CN112989573B (zh) * 2021-02-08 2023-03-14 国网四川省电力公司营销服务中心 一种计量柜状态检测方法、装置、设备及介质
CN113205240A (zh) * 2021-03-22 2021-08-03 中国科学院空天信息创新研究院 一种卫星频轨资源协调风险评估的柔性处理方法和装置
CN113469584A (zh) * 2021-09-02 2021-10-01 云账户技术(天津)有限公司 一种业务服务运营的风险管理方法及装置
CN113469584B (zh) * 2021-09-02 2021-11-16 云账户技术(天津)有限公司 一种业务服务运营的风险管理方法及装置

Similar Documents

Publication Publication Date Title
CN110472869A (zh) 航班运行风险计算方法、装置、设备和可读存储介质
CN112765560B (zh) 设备健康状态评估方法、装置、终端设备和存储介质
CN109740863A (zh) 基于大电源接入系统的综合评价方法
CN110276556B (zh) 一种基于多策略的环境承载力指标权重计算方法及装置
CN109447459A (zh) 一种考虑指标质量影响权重的电能质量综合评估方法
Magazzino et al. Can a change in FDI accelerate GDP growth? Time-series and ANNs evidence on Malta
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN107527071A (zh) 一种基于花朵授粉算法优化模糊k近邻的分类方法及装置
Zehirun et al. Assessment of monetary union in SADC: Evidence from cointegration and panel unit root tests
Wang On fuzzy multiattribute decision-making models and methods with incomplete preference information
CN111242425A (zh) 电力数据处理方法和装置
Sharma et al. A network science-based k-means++ clustering method for power systems network equivalence
Fang et al. Centralized resource allocation based on the bargaining approach
JP2001344590A (ja) ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法
CN112906762A (zh) 一种水资源系统临界状态的定义及辨识方法和系统
CN116522844A (zh) 电路划分方法、电路节点电压计算方法、终端及存储介质
CN110766274A (zh) 行业景气指数的确定方法及装置
Simab et al. A new method for power system contingency ranking using combination of neural network and data envelopment analysis
Zhang et al. Groupwise partial envelope model: efficient estimation in multivariate linear regression
CN112150123A (zh) 企业评价模型自定义配置的方法与系统
CN111242175A (zh) 基于机器学习的计量点电压异常检测方法及系统
CN108681813A (zh) 一种黑名单处理方法及终端设备
Ruan et al. The multiple attribute decision model of grey targets based on grey potential degree
Wu et al. Economic Dependence Relationship and Spatial Stratified Heterogeneity in the Eastern Coastal Economic Belt of China
Asaadi et al. Investigating the effects of water reduction policies on sustainable development of agricultural sector in Ghorveh plain of Kurdistan province

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191119