CN114219302B - 面向飞行技能全生命周期的飞行员作风胜任力画像方法 - Google Patents
面向飞行技能全生命周期的飞行员作风胜任力画像方法 Download PDFInfo
- Publication number
- CN114219302B CN114219302B CN202111542404.XA CN202111542404A CN114219302B CN 114219302 B CN114219302 B CN 114219302B CN 202111542404 A CN202111542404 A CN 202111542404A CN 114219302 B CN114219302 B CN 114219302B
- Authority
- CN
- China
- Prior art keywords
- pilot
- wind
- competence
- evaluation
- index
- 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.)
- Active
Links
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了面向飞行技能全生命周期的飞行员作风胜任力画像方法,涉及飞行员作风胜任力评估领域,S1,获取航空管理数据总集,从航空管理数据总集中提取备选飞行员数据集,并依次对备选飞行员数据集进行数据清洗、标准化处理,得到飞行员作风样本集;S2,输入飞行员作风样本集,并建立飞行员作风评估模型,通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估,得到飞行员多元作风胜任力评估指数;S3,通过可视化单元汇总飞行员多元作风胜任力评估指数,并判断飞行员多元作风胜任力评估指数是否达到标准值,若否,则返回步骤S1,重新获取备选飞行员数据集;若是,则完成飞行员作风胜任力的评估。
Description
技术领域
本发明涉及飞行员作风胜任力评估领域,具体是面向飞行技能全生命周期的飞行员作风胜任力画像方法。
背景技术
“作”,有从事、表现之意;“风”则指态度、举止等。作风,即人在思想、工作和生活等方面表现出来的态度或行为。飞行作风就是飞行员在学习、工作和生活中体现出来的一贯态度或者行为特点,是贯穿整个飞行过程的风格,也是飞行员综合能力的重要组成部分。安全是民航运行和发展的基本前提,飞行员是保证飞行安全最重要和最终的环节。近年来,通过大数据分析发现,在不安全事件的人为原因中,飞行员的飞行作风不严谨占主要部分。而这主要表现为飞行员遵章守纪的能力不足,非故意性违章和无后果违章占了飞行员违章的绝大部分。因此,本发明提出了面向飞行技能全生命周期的飞行员作风胜任力画像方法,用以解决现实生活中需要人工对飞行员全生命周期(飞行员全生命周期包括从飞行学员-副驾驶-机长-机长教员的全过程)的作风胜任力进行评估的问题。
发明内容
鉴于上述技术缺点,本发明提供了面向飞行技能全生命周期的飞行员作风胜任力画像方法。
为解决背景技术所提出的问题,本发明的技术方案如下:
面向飞行技能全生命周期的飞行员作风胜任力画像方法,包括如下步骤:
S1,获取航空管理数据总集,从航空管理数据总集中提取备选飞行员数据集,并依次对备选飞行员数据集进行数据清洗、标准化处理,得到飞行员作风样本集,进入步骤S2;
S2,输入飞行员作风样本集,并建立飞行员作风评估模型,通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估,得到飞行员多元作风胜任力评估指数,进入步骤S3;
S3,通过可视化单元汇总飞行员多元作风胜任力评估指数,并判断飞行员多元作风胜任力评估指数是否达到标准值,若否,则返回步骤S1,重新获取备选飞行员数据集;若是,则完成飞行员作风胜任力的评估。
作为优选的,所述步骤S1,其具体过程如下:
S21,整合航空管理数据总集,并通过关键词属性模块对航空管理数据总集进行匹配,其中,关键词属性具体为指定飞行员名称或编号;
S22,提取航空管理数据总集中含有关键词属性的数据,并进行排序;
S23,设定初始窗口,并通过SNM算法对提取的数据进行筛选,并删除重复数据,得到备选飞行员数据集。
作为优选的,步骤S23中所述的SNM算法,其数学表达式如下:
其中,M1为窗口最大值,M2为窗口最小值,E为当前窗口中的相似记录数目,Ni为窗口移动速度,M0为2E,Mi为窗口初始长度,Mj为最终长度。
作为优选的,步骤S2中所述的飞行员作风评估模型,其建立过程如下:
S41,对航空管理数据总集进行筛选,获取历史飞行员作风样本集,并将历史飞行员作风样本集划分为训练集与测试集;
S42,建立飞行员作风评估模型,将训练集输入至飞行员作风评估模型,得到飞行员作风胜任力初步评估指数;
S43,计算飞行员作风胜任力初步评估指数相对于测试集的损失函数,并根据损失函数迭代更新飞行员作风评估模型的参数,完成飞行员作风评估模型的训练。
作为优选的,步骤S43中所述的损失函数具体采用均方误差函数,其数学表达式如下:
其中,yx为测试集中的飞行员作风胜任力的评估真实值,y′x为经飞行员作风评估模型评估后的飞行员作风胜任力的评估估计值,X为测试样本总数。
作为优选的,步骤S43中飞行员作风评估模型,可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估,其数学表达式如下:
其中,π为参数的概率分布,π(θ)为先验概率,π(θ丨u)为后验概率,f(u丨θ)为样本分布。
作为优选的,所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
本发明的有益效果是:本发明提出了面向飞行技能全生命周期的飞行员作风胜任力画像方法,不仅解决需要人工对飞行员作风胜任力进行评估的问题,省时省力,而且通过贝叶斯算法对飞行员作风评估模型的可信度进行概率评估,也保证了飞行员作风评估模型的准确度。
附图说明
图1为本发明提供的:流程示意图。
具体实施方式
下面结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,面向飞行技能全生命周期的飞行员作风胜任力画像方法,其中,飞行员的全生命周期包括从飞行学员-副驾驶-机长-机长教员的全过程,具体包括如下步骤:
S1,获取航空管理数据总集,从航空管理数据总集中提取备选飞行员数据集,并依次对备选飞行员数据集进行数据清洗、标准化处理,得到飞行员作风样本集,进入步骤S2;
S2,输入飞行员作风样本集,并建立飞行员作风评估模型,通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估,得到飞行员多元作风胜任力评估指数,进入步骤S3;
S3,通过可视化单元汇总飞行员多元作风胜任力评估指数,并判断飞行员多元作风胜任力评估指数是否达到标准值,若否,则返回步骤S1,重新获取备选飞行员数据集;若是,则完成飞行员作风胜任力的评估。
作为优选的,所述步骤S1,其具体过程如下:
S21,整合航空管理数据总集,并通过关键词属性模块对航空管理数据总集进行匹配,其中,关键词属性具体为指定飞行员名称或编号;
S22,提取航空管理数据总集中含有关键词属性的数据,并进行排序;
S23,设定初始窗口,并通过SNM算法对提取的数据进行筛选,并删除重复数据,得到备选飞行员数据集。
作为优选的,步骤S23中所述的SNM算法,其数学表达式如下:
其中,M1为窗口最大值,M2为窗口最小值,E为当前窗口中的相似记录数目,Ni为窗口移动速度,M0为2E,Mi为窗口初始长度,Mj为最终长度。
就例如:若A的属性m11,m12,…,m1k为类型属性,m21,m22,…,m2n为数值属性,同理,B的属性n11,n12,…,n1k为类型属性,n21,n22,…,n2n为数值属性,如果A与B满足以下条件,就将A与B看作重复记录:
当,满足条件,则称A与B两条记录存在相似重复性需要删除其中一个。类型属性指属性只区别类型,其数值无意义。数值属性指数值具有实际意义的属性。
作为优选的,步骤S2中所述的飞行员作风评估模型,其建立过程如下:
S41,对航空管理数据总集进行筛选,获取历史飞行员作风样本集,并将历史飞行员作风样本集划分为训练集与测试集;
S42,建立飞行员作风评估模型,将训练集输入至飞行员作风评估模型,得到飞行员作风胜任力初步评估指数;
S43,计算飞行员作风胜任力初步评估指数相对于测试集的损失函数,并根据损失函数迭代更新飞行员作风评估模型的参数,完成飞行员作风评估模型的训练。
作为优选的,步骤S43中所述的损失函数具体采用均方误差函数,其数学表达式如下:
其中,yx为测试集中的飞行员作风胜任力的评估真实值,y′x为经飞行员作风评估模型评估后的飞行员作风胜任力的评估估计值,X为测试样本总数。
作为优选的,步骤S43中飞行员作风评估模型,可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估,其数学表达式如下:
其中,π为参数的概率分布,π(θ)为先验概率,π(θ丨u)为后验概率,f(u丨θ)为样本分布。
作为优选的,所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (2)
1.面向飞行技能全生命周期的飞行员作风胜任力画像方法,其特征在于,包括如下步骤:
S1,获取航空管理数据总集,从航空管理数据总集中提取备选飞行员数据集,并依次对备选飞行员数据集进行数据清洗、标准化处理,得到飞行员作风样本集,进入步骤S2;
S2,输入飞行员作风样本集,并建立飞行员作风评估模型,通过飞行员作风评估模型对飞行员作风样本集进行胜任力评估,得到飞行员多元作风胜任力评估指数,进入步骤S3;
S3,通过可视化单元汇总飞行员多元作风胜任力评估指数,并判断飞行员多元作风胜任力评估指数是否达到标准值,若否,则返回步骤S1,重新获取备选飞行员数据集;若是,则完成飞行员作风胜任力的评估;
所述步骤S1,其具体过程如下:
S21,整合航空管理数据总集,并通过关键词属性模块对航空管理数据总集进行匹配,其中,关键词属性具体为指定飞行员名称或编号;
S22,提取航空管理数据总集中含有关键词属性的数据,并进行排序;
S23,设定初始窗口,并通过SNM算法对提取的数据进行筛选,并删除重复数据,得到备选飞行员数据集;
步骤S23中所述的SNM算法,其数学表达式如下:
其中,M1为窗口最大值,M2为窗口最小值,E为当前窗口中的相似记录数目,Ni为窗口移动速度,M0为2E,Mi为窗口初始长度,Mj为最终长度;
步骤S2中所述的飞行员作风评估模型,其建立过程如下:
S41,对航空管理数据总集进行筛选,获取历史飞行员作风样本集,并将历史飞行员作风样本集划分为训练集与测试集;
S42,建立飞行员作风评估模型,将训练集输入至飞行员作风评估模型,得到飞行员作风胜任力初步评估指数;
S43,计算飞行员作风胜任力初步评估指数相对于测试集的损失函数,并根据损失函数迭代更新飞行员作风评估模型的参数,完成飞行员作风评估模型的训练;
步骤S43中飞行员作风评估模型,可选用贝叶斯算法对飞行员作风评估模型的可信度进行概率评估,其数学表达式如下:
其中,π为参数的概率分布,π(θ)为先验概率,π(θ丨u)为后验概率,f(u丨θ)为样本分布;
所述飞行员多元作风胜任力评估指数包括地面准备阶段评估指数、地面活动阶段评估指数、进近阶段评估指数、巡航阶段评估指数、区调阶段评估指数以及降落阶段评估指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542404.XA CN114219302B (zh) | 2021-12-13 | 2021-12-13 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542404.XA CN114219302B (zh) | 2021-12-13 | 2021-12-13 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219302A CN114219302A (zh) | 2022-03-22 |
CN114219302B true CN114219302B (zh) | 2023-04-07 |
Family
ID=80702834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542404.XA Active CN114219302B (zh) | 2021-12-13 | 2021-12-13 | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219302B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972317B (zh) * | 2024-03-29 | 2024-06-14 | 中国民用航空飞行学院 | 一种面向飞行员胜任能力的韧性画像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB673508A (en) * | 1949-06-03 | 1952-06-04 | Lorenzo Dacco | Improved process for the moulding of articles from thermoplastic material, and articles produced thereby |
CN111553411A (zh) * | 2020-04-27 | 2020-08-18 | 中国民航大学 | 一种基于多维量化数据的飞行员风险画像方法 |
CN113298431A (zh) * | 2021-06-21 | 2021-08-24 | 北京航空航天大学 | 基于航空qar大数据的飞行员胜任能力画像方法及系统 |
-
2021
- 2021-12-13 CN CN202111542404.XA patent/CN114219302B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB673508A (en) * | 1949-06-03 | 1952-06-04 | Lorenzo Dacco | Improved process for the moulding of articles from thermoplastic material, and articles produced thereby |
CN111553411A (zh) * | 2020-04-27 | 2020-08-18 | 中国民航大学 | 一种基于多维量化数据的飞行员风险画像方法 |
CN113298431A (zh) * | 2021-06-21 | 2021-08-24 | 北京航空航天大学 | 基于航空qar大数据的飞行员胜任能力画像方法及系统 |
Non-Patent Citations (3)
Title |
---|
Nongtian Chen.Research on Aviation Unsafe Information Text Analysis Based on Improved CNN-BiGRU-att Model.《 2021 IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT)》.2021,第322-327页. * |
王越等.飞行学员飞行品质评价模型的建立.《中国科技信息》.2019,(第9 期),第48-49、52页. * |
陈农田等.基于深度学习的飞行员驾驶异常行为监测方法.《安全与环境学报》.2021,第22 卷(第1 期),第249-255页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114219302A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
CN102662930B (zh) | 一种语料标注方法及装置 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
Wang et al. | A method of applying flight data to evaluate landing operation performance | |
CN107891994B (zh) | 一种全智能飞行器飞行试验误差分析系统 | |
CN104008143A (zh) | 基于数据挖掘的职业能力指标体系构建方法 | |
CN114219302B (zh) | 面向飞行技能全生命周期的飞行员作风胜任力画像方法 | |
CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
CN109117957A (zh) | 一种基于民航维修质量评估和异构集成学习的敏感性分析方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN112069317A (zh) | 一种装配工时的获取方法及处理器 | |
CN107423264A (zh) | 一种工程材料专业特征提取方法 | |
CN113344425A (zh) | 一种基于qar数据的飞行品质监控方法及系统 | |
CN113793047A (zh) | 一种飞行员合作交流能力测评方法和装置 | |
CN114757557A (zh) | 一种基于电力工作票现场作业风险评估预测方法及装置 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN108763459A (zh) | 基于心理测试及dnn算法的专业倾向分析方法及系统 | |
CN115587693B (zh) | 一种基于可观察行为的飞行训练质量评级的方法 | |
Wheadon | Classification accuracy and consistency under item response theory models using the package classify | |
CN114398769B (zh) | 一种无人直升机飞行控制系统评分自动获取方法 | |
CN110111810B (zh) | 基于卷积神经网络的语音人格预测方法 | |
CN113377962A (zh) | 一种基于图像识别和自然语言处理的智能过程模拟方法 | |
CN113515560A (zh) | 车辆故障的分析方法、装置、电子设备及存储介质 | |
CN110598973A (zh) | 一种基于iap的绿色家具产品认证过程风险评价方法 | |
Roth et al. | Air quality modeling and decisions for ozone reduction strategies |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |