CN111553411A - 一种基于多维量化数据的飞行员风险画像方法 - Google Patents
一种基于多维量化数据的飞行员风险画像方法 Download PDFInfo
- Publication number
- CN111553411A CN111553411A CN202010344282.2A CN202010344282A CN111553411A CN 111553411 A CN111553411 A CN 111553411A CN 202010344282 A CN202010344282 A CN 202010344282A CN 111553411 A CN111553411 A CN 111553411A
- Authority
- CN
- China
- Prior art keywords
- pilot
- risk
- data
- indexes
- portrait
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011835 investigation Methods 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000012553 document review Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000013173 literature analysis Methods 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000011597 CGF1 Diseases 0.000 description 1
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 description 1
- 241000512668 Eunectes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (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
本发明公开一种基于多维量化数据的飞行员风险画像方法,包括基于Theil(泰尔)系数的飞行员风险画像模型和飞行员风险画像雷达图的构建,本发明通过文献分析、调研、专家法并结合飞行任务分析,确定飞行员风险画像的维度,构建飞行员风险画像指标体系,依据指标收集多维异构数据,对数据进行有效融合,确定指标的量化数值,基于Theil系数构建飞行员风险画像模型,计算飞行员综合风险值及各子维度风险值,并以此开发飞行员风险画像系统,呈现多维联动的飞行员风险画像雷达分析图,为航空公司实施飞行员状态风险识别与监测提供参考依据。
Description
技术领域
本发明涉及飞行员风险评价领域,尤其涉及一种基于多维量化数据的飞行员风险画像方法。
背景技术
据民航事故统计表明,人的因素被认为是目前飞行事故中的最主要原因,机组差错占据所有航空人为事故的三分之二,民航飞行员作为飞机的直接操纵者,其决策及操作行为直接影响到飞机的运行安全,因此,对航线飞行员个体风险进行有效识别和评估,落实到个人的风险倾向行为,并有针对性地进行训练和管理,是避免和减少飞行事故及不安全事件发生的重要途径之一;
影响航线飞行员风险倾向行为的因素众多,但目前国内外学者针对飞行员风险倾向的研究大多偏向于从飞行员风险心理、飞行操作数据、生理指标等某一角度分析,结论较为片面。在风险心理特征方面,国内外学者主要探究风险容忍、风险知觉、危险态度及其人格特征对飞行员安全绩效的影响,这些研究仅仅关注了心理变量与飞行安全外部表征(如QAR超限率)的关系,而没有深入探究导致飞行员风险行为的心理根源。在飞行操作特征方面,有学者通过风险评价原理与QAR(快速存取记录器)数据,筛选飞行关键点指标,确定QAR(快速存取记录器)超限事件、飞行员操作评价;
导致航线飞行员发生风险倾向行为可能由诸多因素造成,比如飞行员操作技能、日常飞行作风、风险人格、能力、情绪以及社会信用等,单从某一角度来解释,都具有一定的片面性,综合考虑影响飞行员风险操作的每一项指标参数,以大数据的思想来构建航线飞行员多维风险画像,其结果显然更具有价值和实用性。未来航空公司的运行监管要从“反应式”变成“主动式”,最后变成“预测式”,从飞行员风险画像中分析飞行员可能存在的某种风险倾向,制定有针对性的飞行员训练方案,才能真正的防范于未然;
基于国内外学者对事故倾向性理论、人格特质、社会认知与驾驶安全的相关性研究,结合QAR(快速存取记录器)数据评价飞行操作相关研究成果,提出飞行员风险画像方法,因此具有较强的科学依据。本发明提出的方法能够综合考虑可以采集到的飞行员静态、动态数据,对飞行员的风险倾向行为变化进行深入研究,分析导致飞行员发生风险行为的影响因素,对事故的预防和飞行员的训练具有重要意义,突破传统的一刀切式飞行员训练,提出落实到飞行员个人的基于数据理论的循证训练(Evidence BasedTraining,EBT)。
发明内容
针对上述飞行员风险倾向行为研究相对片面的问题,本发明的目的在于提出一种基于多维量化数据的飞行员风险画像方法,以提高对飞行员风险倾向行为评价的客观性。
为了实现本发明的目的,本发明通过以下技术方案实现:一种基于多维量化数据的飞行员风险画像方法,包括以下步骤:
步骤一:飞行员风险画像指标体系构建
通过文献综述、实地调研、半开放式问卷调查以及与飞行专家访谈的形式确定飞行员风险画像的维度界定,结合HTA工作分析法(所述HTA工作分析法为层次任务分析法),因子分析以及主成分分析,确定飞行员风险画像指标体系的6个维度及20项指标,其中,6个维度分别为:身心状态、飞行技能、能力、风险心理、作风、社会风险,20项指标如下表,
步骤二:多维数据采集、预处理
在应用文献、问卷调研、专家法确定各项指标的基础上,通过量表、航空公司调研采集对应数据,筛选有效数据,对数据进行缺省值、异常值处理,对有效数据进行筛选、标准化、无量纲化、逆向指标正向化处理,结合主成分分析确定各指标量化数值;
步骤三:基于Theil系数的飞行员风险画像模型
通过文献调研,专家评定,结合泰尔系数组合赋权以及风险值计算相关运算理念和方法,确定飞行员综合风险值和各子维度风险值,对其标签化,构建飞行员风险画像模型;
步骤四:飞行员风险画像雷达图构建
以飞行员风险画像模型为核心算法,基于PyQt(创建图形用户界面应用程序工具包)的开发环境,构建呈现多维度风险值的飞行员风险画像雷达图。
进一步改进在于:在所述步骤一中,通过现有的文献分析,结合现有的飞行员风险心理量表、认知特性、飞行操作评价等研究成果,确定维度界定,结合德尔菲调查法的评价及半开放式问卷,最终确定6个维度的飞行员风险画像指标结构体系。
进一步改进在于:在所述步骤二中,通过基于所述步骤一,从而对所述步骤二筛选出的最终指标进行数据收集、预处理。
进一步改进在于:在所述步骤三中,通过确定各级指标对应量化数值以及确定各级指标权重,从而计算飞行员综合风险值及各子维度风险值,构建飞行员风险画像模型。
进一步改进在于:在所述步骤四中,结合飞行员风险画像模型计算的飞行员综合风险值及各子维度风险值,以飞行员风险画像评价模型为核心算法,基于PyQt(创建图形用户界面应用程序工具包)开发多维数据的飞行员风险画像系统,预期展示飞行员各维度及综合风险的多维联动性飞行员个人风险画像雷达图,也可用于机队中飞行员风险行为对比。
本发明的有益效果为:本发明通过文献综述、实地调研、德尔菲专家访谈法以及半开放式调查问卷,并结合HTA(层次任务分析)飞行员工作任务分析,确定飞行员风险画像维度界定之后,通过问卷调研构建飞行员风险画像指标体系,再依据6个维度及确定指标收集多维异构数据,对可以采集到的静、动态数据进行有效整合,再对数据进行标准化、量化,基于主成分分析确定每一指标的量化数值,基于Theil(泰尔)系数构建飞行员风险倾向评价模型,计算飞行员综合风险值及各子维度风险值,通过聚类分析,将飞行员风险值标签化,呈现多维联动飞行员风险画像雷达图,最后开发飞行员风险画像系统,为航空公司管理人员提供全面、合理的飞行员风险评价依据,从而对飞行员进行针对性循证训练,此外从多维度、多方面来构建航线飞行员风险画像雷达图,相较于传统的单一风险评价方法,在事故预防和飞行员培训方面更具有说服力。
附图说明
图1是本发明提供的基于多维数据的飞行员风险画像方法流程图。
图2是本发明提供的基于HTA分析法的飞行员工作任务分析图。
图3是本发明提供的基于多维数据的航线飞行员风险画像方法的数据采集示意图。
图4是本发明提供的基于PCA-Theil系数组合赋权的风险值计算模型图。
图5是本发明提供的基于PyQt(创建图形用户界面应用程序工具包)开发环境的飞行员风险画像系统开发流程。
图6是本发明提供的飞行员风险画像六维联动雷达图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3、4、5、6所示,本实施例提供了一种基于多维量化数据的飞行员风险画像方法,包括以下步骤:
步骤一:飞行员风险画像指标体系构建
通过对国内外学者的相关研究文献分析,总结出飞行员综合能力、胜任力、人格以及情绪等相关指标,探究飞行员风险心理、飞行操作数据与飞行安全绩效间相关性,确定可能影响飞行员风险倾向行为的因子界定,根据飞行员工作特征对相关因子进行分析、归纳和删除,以获取有效的评价指标,通过对航空公司飞行大队的实地调研,采用德尔菲专家评价法以及向飞行专家征询意见,对指标进行初步的筛选,确定飞行员人格、飞行员能力、身心状态、飞行技能、飞行作风以及社会因素6个维度指标参数,由此编制“航线飞行员风险画像指标体系”问卷,发放给在职飞行员填写之后,对问卷的有效数据进行项目分析、因子分析和信效度分析,针对信效度差的指标进行剔除,结合层次分析及熵权法确定各指标重要度,最终确定飞行员风险画像指标体系;
步骤二:多维数据采集、预处理
在步骤一的基础上,通过航空公司调研、发放问卷、开展实验的形式获取飞行员的基本信息及6个维度数据信息,对采集到的信息进行筛选,剔除异常值,采用四分位法删除偏差较大的数据,按照缺省值进行补充,对获取多维异构数据采用Z-score(标准分数)进行无量纲标准化处理,其次进行逆向指标的正向化处理;
正向指标标准化:
Y=(X-Xmin)/(Xmax-Xmin)
逆向指标标准化:
X=Xmin+Y(Xmax-Xmin)
再计算各个指标之间的相关性,从而可以删除相关系数较大的指标,其计算步骤如下;
(1)计算相关系数矩阵:对原始数据进行标准化处理后,计算各个指标之间的相关性,得出相关矩阵,用于体现各个指标之间的相关性;
(2)计算特征根的累计方差贡献率:采用Jacobi(雅克比)方法,求相关系数矩阵的特征根和特征向量,各个主成分根据主成分方差逐渐递减的形式排列,贡献率及累计贡献率由以下公式得出:
特征根:
λi(i=1,2,…,n)
特征向量:
Ai=(ai1,ai2,…,ain),i=(1,2,…,n)
贡献率:
累积贡献率:
从中选取前k个主成分(1≤k≤n),使累计方差贡献率达到85%以上。
(3)计算成分载荷矩阵:成分载荷矩阵表示各个指标在每个主成分中所占比例,可以用于解释各个主成分在评价中的指标含义;
(4)计算主成分得分矩阵F和主成分因子的权系数B:
(5)设Yi为综合变量即综合指标,Fij为因子载荷,Xi为各指标变量,Y=FX。各个主成分和原始指标之间的线性变换关系,可以用公示表示如下:
步骤三:基于Theil系数的飞行员风险倾向画像模型
当经过文献调研和专家访谈后,可确定飞行员风险画像各指标对应量化数值,再通过Theil(泰尔)系数组合赋权法,综合考虑主、客观赋权优点,构建基于四种单一评价方法(层次分析法、变异系数法、均指方差、熵权法)的组合优化模型,通过Theil(泰尔)系数计算一级、二级指标的组合权重,计算公式如下:
τi-组合赋权权重
li-单项赋权法在组合权重的赋权系数
依据上述的计算数据,再根据风险值理论计算公式,计算飞行员综合风险值及各子维度风险值,风险值计算公式如下:
Q=WU·qU
步骤四:飞行员风险画像雷达图构建
通过对以上六项风险值及其内在指标的相关性分析,确定其内部关联性,采用Python(计算机程序设计)编程语言,Qt(图形用户界面应用程序)开发框架作为界面图形开发环境,采用MySQL(关系型数据库管理系统)数据库,系统界面的生成及转化使用QtDesigner(窗口设计工具)以及Eric6(集成开发环境),调试使用Anaconda(开源的计算机程序设计包管理器),开发飞行员风险画像系统,从而建立联动多维风险雷达图,旨在提供准确、全面和动态的飞行员飞行风险值,并对其风险值较高的维度进行针对性地训练,提高其飞行安全水平。
如图3所示,通过多种数据采集方法对飞行员多维数据源进行收集,风险心理数据可通过编制问卷(修订成熟的风险知觉、风险容忍、卡特尔16种人格因数量表测量)对目标飞行员进行问卷调查,进行飞行员心理风险值的计算,必要时可以设计相关实验辅助测量;对于飞行员能力,从机组交流与合作、空间认知、情境意识与决策能力、领导与管理能力、应激能力五个角度来分析考虑飞行员除飞行操作之外的非技术性技能风险,采用现有航线飞行员飞行能力测试进行实验获取数据;对于飞行操作数据,拟采用任务分解的分析方法,以飞行任务为导向,分析完成任务过程中可能出现的失效点,对飞行操作指标进行完善,以航空公司译码服务器作为接口,对译码得出的众多QAR(快速存取记录器)参数进行筛选,得到每次航班的驾驶杆操作、驾驶盘操作、方向舵操作数据,再对这些数据进行处理;将飞行作风、社会信用这两方面的定性指标转化为定量指标,进行自我报告式的测量,保留其中可能影响飞行安全的指标,作为评价其风险值的数据来源。难以量化的指标采用模糊函数估计其风险值,飞行技能、身体状态拟从航空公司相关部门直接调取。
如图5所示,以飞行员风险画像评价模型为理论依据,基于PyQt(创建图形用户界面应用程序工具包)的开发环境,构建飞行员风险画像开发系统,该系统最终可以实现每个飞行员各个维度的风险倾向水平查询及各个维度风险倾向水平差异对比、以及整个机队的飞行员风险倾向水平分布情况。
如图6所示,飞行员风险画像最终以六维联动雷达图形式将飞行员各维度风险值及综合风险值呈现,随着飞行员某些时序动态数据的变化,风险值也发生改变。通过对风险雷达图横向对比分析,可以发现飞行员风险值较高的方面,提出以数据为理论依据的针对性循证训练,通过对风险雷达图纵向对比分析,可以对整个飞行机队进行有效评价,作为飞行员间的飞行安全绩效依据之一,利于航空公司的管理和培训。
该种基于多维量化数据的飞行员风险画像方法通过文献综述、实地调研、德尔菲专家访谈法以及半开放式调查问卷,并结合HTA飞行员工作任务分析,确定飞行员风险画像维度界定之后,构建飞行员风险画像指标体系,再依据6个维度指标收集多维异构数据,对静、动态数据进行有效整合,对数据进行标准化、量化处理,基于主成分分析确定每一指标的量化数值,加上基于PCA(主成分分析)-Theil(泰尔)系数构建飞行员风险画像模型,从而计算飞行员综合风险值及各子维度风险值,通过聚类分析将飞行员风险值标签化,最后开发飞行员风险画像系统,呈现多维联动飞行员风险画像雷达图,为航空公司管理人员提供全面、合理的飞行员风险评价依据,对飞行员进行针对性循证训练。
以上描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于多维量化数据的飞行员风险画像方法,其特征在于:包括以下步骤:
步骤一:飞行员风险画像指标体系构建
通过文献综述、实地调研、半开放式问卷调查以及与飞行专家访谈的形式确定飞行员风险画像指标体系的维度界定,结合层次任务分析法(Hierarchical Task Analysis,HTA)工作分析法确定各级指标,构建飞行员风险画像指标体系;
步骤二:多维数据采集、预处理
将通过文献、实地调研、半开放式问卷调查以及与飞行专家访谈得到的数据进行收集、预处理,通过量表、航空公司调研、实验等方法采集多维异构原始数据,筛选有效数据,对数据进行缺省值、异常值处理,并对有效数据进行筛选、标准化、无量纲化,逆向指标正向化处理,结合主成分分析、专家评定、聚类分析确定各指标量化数值;
步骤三:基于Theil系数的飞行员风险画像模型
通过文献调研,专家评定,结合泰尔系数组合赋权以及风险值计算相关运算理念和方法,确定飞行员综合风险值和各子维度风险值,对其标签化,来构建飞行员风险画像模型;
步骤四:构建飞行员风险画像雷达图
以飞行员风险画像模型为核心算法,基于PyQt(创建图形用户界面应用程序工具包)的开发环境,构建呈现多维度风险值的飞行员风险画像雷达图。
2.根据权利要求1所述的一种基于多维量化数据的飞行员风险画像方法,其特征在于:在所述步骤一中,通过现有的文献分析,结合现有的飞行员风险心理量表、认知特性、飞行操作评价研究成果,确定界定指标,再结合德尔菲调查法的评价及半开放式问卷,最终建立6个维度、20项指标的飞行员风险画像指标结构体系。
3.根据权利要求1所述的一种基于多维量化数据的飞行员风险画像方法,其特征在于:在所述步骤二中,通过在所述步骤一的基础上,对所述步骤二筛选出的相关指标进行数据收集、预处理。
4.根据权利要求1所述的一种基于多维量化数据的飞行员风险画像方法,其特征在于:在所述步骤三中,通过确定各级指标对应量化数值以及确定各级指标权重,计算飞行员综合风险值及各子维度风险值,构建飞行员风险画像模型。
5.根据权利要求1所述的一种基于多维量化数据的飞行员风险画像方法,其特征在于:在所述步骤四中,结合飞行员风险画像模型计算的飞行员综合风险值及各子维度风险值,以飞行员风险画像评价模型为核心算法,基于PyQt(创建图形用户界面应用程序工具包)来开发多维数据的飞行员风险画像系统,预期展示飞行员各维度及综合风险的多维联动性飞行员个人风险画像雷达图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344282.2A CN111553411A (zh) | 2020-04-27 | 2020-04-27 | 一种基于多维量化数据的飞行员风险画像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344282.2A CN111553411A (zh) | 2020-04-27 | 2020-04-27 | 一种基于多维量化数据的飞行员风险画像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553411A true CN111553411A (zh) | 2020-08-18 |
Family
ID=72001561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344282.2A Pending CN111553411A (zh) | 2020-04-27 | 2020-04-27 | 一种基于多维量化数据的飞行员风险画像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553411A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312424A (zh) * | 2021-06-28 | 2021-08-27 | 北京航空航天大学 | 一种基于qar数据的飞行员飞行技能画像方法及系统 |
CN113476046A (zh) * | 2021-08-20 | 2021-10-08 | 中国民航大学 | 一种基于多目标追踪范式的心理运动能力测评方法 |
CN113515644A (zh) * | 2021-05-26 | 2021-10-19 | 中国医学科学院医学信息研究所 | 一种基于知识图谱的医院科技画像方法和系统 |
CN113571157A (zh) * | 2021-04-20 | 2021-10-29 | 杭州袋虎信息技术有限公司 | 基于fmt特征智能识别风险人员心理画像系统 |
CN113793047A (zh) * | 2021-09-22 | 2021-12-14 | 中国民航大学 | 一种飞行员合作交流能力测评方法和装置 |
CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN114219302A (zh) * | 2021-12-13 | 2022-03-22 | 中国民用航空飞行学院 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
CN114611945A (zh) * | 2022-03-15 | 2022-06-10 | 中国民用航空飞行学院 | 一种基于多维数据的飞行学员胜任力画像方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203835A (zh) * | 2017-04-25 | 2017-09-26 | 北京航空航天大学 | 一种飞行员操作的人因可靠性实验分析方法 |
CN108711005A (zh) * | 2018-05-14 | 2018-10-26 | 重庆大学 | 基于qar数据与贝叶斯网络的飞行风险分析方法 |
CN109740925A (zh) * | 2018-12-29 | 2019-05-10 | 精英数智科技股份有限公司 | 一种基于组合赋权法的煤矿安全风险预警分析方法 |
CN110008442A (zh) * | 2019-03-21 | 2019-07-12 | 上海工程技术大学 | 一种基于飞行员综合能力评价的飞行员训练控制方法 |
CN110443521A (zh) * | 2019-08-15 | 2019-11-12 | 中国国际航空股份有限公司 | 航班运行风险获取方法、系统和计算机设备 |
CN110705873A (zh) * | 2019-09-30 | 2020-01-17 | 国网福建省电力有限公司 | 一种新型的配电网运行状态画像分析方法 |
CN110991878A (zh) * | 2019-12-02 | 2020-04-10 | 南京大学 | 基于李克特量表进行人群环境风险感知标准化测量的评估方法 |
-
2020
- 2020-04-27 CN CN202010344282.2A patent/CN111553411A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203835A (zh) * | 2017-04-25 | 2017-09-26 | 北京航空航天大学 | 一种飞行员操作的人因可靠性实验分析方法 |
CN108711005A (zh) * | 2018-05-14 | 2018-10-26 | 重庆大学 | 基于qar数据与贝叶斯网络的飞行风险分析方法 |
CN109740925A (zh) * | 2018-12-29 | 2019-05-10 | 精英数智科技股份有限公司 | 一种基于组合赋权法的煤矿安全风险预警分析方法 |
CN110008442A (zh) * | 2019-03-21 | 2019-07-12 | 上海工程技术大学 | 一种基于飞行员综合能力评价的飞行员训练控制方法 |
CN110443521A (zh) * | 2019-08-15 | 2019-11-12 | 中国国际航空股份有限公司 | 航班运行风险获取方法、系统和计算机设备 |
CN110705873A (zh) * | 2019-09-30 | 2020-01-17 | 国网福建省电力有限公司 | 一种新型的配电网运行状态画像分析方法 |
CN110991878A (zh) * | 2019-12-02 | 2020-04-10 | 南京大学 | 基于李克特量表进行人群环境风险感知标准化测量的评估方法 |
Non-Patent Citations (5)
Title |
---|
尹佳雯等: ""基于安全论证法的铁路运营安全评价"", 《中国安全科学学报》 * |
张国爱: ""P2P网络借贷平台信用评价指标体系研究"", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
李涵等: ""基于综合素质的飞行员安全风险评价模型的构建"", 《中国安全生成科学技术》 * |
汤放华等: ""湖南省城乡一体化评价及影响因素研究"", 《湖南城市学院学报》 * |
陈芳等: ""飞行安全技术评价指标体系实证研究"", 《中国安全科学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113571157A (zh) * | 2021-04-20 | 2021-10-29 | 杭州袋虎信息技术有限公司 | 基于fmt特征智能识别风险人员心理画像系统 |
CN113515644B (zh) * | 2021-05-26 | 2023-05-26 | 中国医学科学院医学信息研究所 | 一种基于知识图谱的医院科技画像方法和系统 |
CN113515644A (zh) * | 2021-05-26 | 2021-10-19 | 中国医学科学院医学信息研究所 | 一种基于知识图谱的医院科技画像方法和系统 |
CN113312424A (zh) * | 2021-06-28 | 2021-08-27 | 北京航空航天大学 | 一种基于qar数据的飞行员飞行技能画像方法及系统 |
WO2023019887A1 (zh) * | 2021-08-20 | 2023-02-23 | 中国民航大学 | 一种基于多目标追踪范式的心理运动能力测评方法 |
CN113476046B (zh) * | 2021-08-20 | 2022-09-09 | 中国民航大学 | 一种基于多目标追踪范式的心理运动能力测评方法 |
CN113476046A (zh) * | 2021-08-20 | 2021-10-08 | 中国民航大学 | 一种基于多目标追踪范式的心理运动能力测评方法 |
CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN113837578B (zh) * | 2021-09-15 | 2024-02-06 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN113793047A (zh) * | 2021-09-22 | 2021-12-14 | 中国民航大学 | 一种飞行员合作交流能力测评方法和装置 |
CN114219302A (zh) * | 2021-12-13 | 2022-03-22 | 中国民用航空飞行学院 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
CN114219302B (zh) * | 2021-12-13 | 2023-04-07 | 中国民用航空飞行学院 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
CN114611945A (zh) * | 2022-03-15 | 2022-06-10 | 中国民用航空飞行学院 | 一种基于多维数据的飞行学员胜任力画像方法 |
CN114611945B (zh) * | 2022-03-15 | 2024-02-02 | 中国民用航空飞行学院 | 一种基于多维数据的飞行学员胜任力画像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553411A (zh) | 一种基于多维量化数据的飞行员风险画像方法 | |
Magruk | Innovative classification of technology foresight methods | |
CN106503807B (zh) | 一种改进型rcm分析方法及基于其的动设备完整性评价系统 | |
Wang et al. | A method of applying flight data to evaluate landing operation performance | |
Pimm et al. | Natural Language Processing (NLP) tools for the analysis of incident and accident reports | |
Hu et al. | The study on hard landing prediction model with optimized parameter SVM method | |
CN113312424A (zh) | 一种基于qar数据的飞行员飞行技能画像方法及系统 | |
CN113344425A (zh) | 一种基于qar数据的飞行品质监控方法及系统 | |
CN113379313A (zh) | 一种具有智能化的预防性试验作业管控系统 | |
CN118245614A (zh) | 一种基于知识图谱的矿井提升机故障诊断及预防方法 | |
Abesamis et al. | Improving aviation incidents using association rule mining algorithm and time series analysis | |
Koh | Design change prediction based on social media sentiment analysis | |
Gürbüz et al. | Classification rule discovery for the aviation incidents resulted in fatality | |
Shi | A Machine Learning Study on the Model Performance of Human Resources Predictive Algorithms | |
CN113610356A (zh) | 一种机场核心风险预测方法及系统 | |
İnan et al. | The analysis of fatal aviation accidents more than 100 dead passengers: an application of machine learning | |
Zhang et al. | Data mining technology based on the visualization of enterprise human resources information data research | |
Liu et al. | Study on Influencing Factors of Controllers’ Undesirable Stress Response Based on GRAY-DEMATEL Method | |
Xin et al. | Analysis of aviation maintenance scheme based on hierarchical clustering | |
Bayoumi et al. | Conditioned-Based Maintenance at USC-Part I: Integration of Maintenance Management Systems and Health Monitoring Systems through Historical Data Investigation | |
Smarsly et al. | A multivocal literature review of digital twins, architectures, and elements in civil engineering | |
CN104200383A (zh) | 一种基于多元回归分析在税务决策上的应用 | |
CN110689241A (zh) | 一种基于大数据的电网实物资产评价系统 | |
Li | Using Big Data Analytics to Build Prosperity Index of Transportation Market | |
Zhang et al. | Commonality Benefit Analysis for Maintenance Technical Publications of Civil Aircraft Based on Learning Effect |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |