CN117035187A - 一种飞行员操作行为预测模型构建方法及系统 - Google Patents
一种飞行员操作行为预测模型构建方法及系统 Download PDFInfo
- Publication number
- CN117035187A CN117035187A CN202311036584.3A CN202311036584A CN117035187A CN 117035187 A CN117035187 A CN 117035187A CN 202311036584 A CN202311036584 A CN 202311036584A CN 117035187 A CN117035187 A CN 117035187A
- Authority
- CN
- China
- Prior art keywords
- pilot
- flight
- environment
- model
- prediction model
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 230000006399 behavior Effects 0.000 claims abstract description 204
- 230000004044 response Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000010006 flight Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 11
- 241000282414 Homo sapiens Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000019771 cognition Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003864 performance function Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种飞行员操作行为预测模型构建方法及系统，包括：获取给定机型多架次的航班飞行样本数据；基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。本发明解决了现有技术难以根据外界因素和飞行员的决策进行操作行为预测的问题。
Description
技术领域
本发明涉及行为预测技术领域，尤其涉及一种飞行员操作行为预测模型构建方法及系统。
背景技术
在人机混合的背景下，机器在复杂环境下无法完全代替人类的操作，尤其是在危急情况，如飞机飞行事故发生时。因此，研究人在不确定性环境下的序贯决策行为是至关重要的，既影响到智能机器的设计，也影响人机协同的绩效。
飞行员对飞机的序贯决策控制可视为由输入和输出两部分组成，分别为感觉系统和决策控制系统。飞行任务中，感觉系统收集环境中的背景信息及飞行系统的状态变化信息，为决策系统提供信息输入，包括视觉系统、前庭系统、触觉系统、本体感知系统；决策控制系统根据感知到的信息建立动作。飞行员控制行为的已有研究包括控制理论、人体生理学、模糊控制模型、神经网络模型，假设飞行员为控制器，飞机状态为人类飞行员与飞机交互的主要中间变量，飞行员感知环境信息做出操作决策并执行，影响飞机状态。
过往对人的序贯决策的研究，集中于通过最大化绩效函数或最小化成本函数求得序贯决策问题的最优解，而对于人的行为具有非理性、非最优性、无意识性等特点，鲜有分析，在现实中，人们倾向于依靠常识和直觉来处理已知信息并做出决定，而不是基于严格的逻辑计算和效用目标的优化，这就造成难以为飞机提供辅助决策建议。
发明内容
本发明提供一种飞行员操作行为预测模型构建方法及系统，用以解决现有技术难以根据外界因素和飞行员的决策进行操作行为预测的问题。
本发明提供一种飞行员操作行为预测方法，包括：
获取给定机型多架次的航班飞行样本数据；
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
根据本发明提供的一种飞行员操作行为预测模型构建方法，
所述获取给定机型多架次的航班飞行样本数据，具体包括：
获取多架次航班的环境变量、飞行状态变量和飞行员操作变量；
对所述环境变量、飞行状态变量和飞行员操作变量进行数据清洗，去除着陆点缺失的样本及各航班存在问题的数据，得到有效样本数据。
根据本发明提供的一种飞行员操作行为预测模型构建方法，
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征，具体包括：
从所述航班飞行样本数据中提取当前环境信息；
获取飞行员根据当前环境信息做出的最优决策，建立马尔可夫决策过程；
在建立马尔可夫决策过程中，通过逆向学习获得飞行员对风险环境的响应特征。
根据本发明提供的一种飞行员操作行为预测模型构建方法，
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型，具体包括：
将飞行员对风险环境的响应特征、多项环境参数和行为参数作为影响图的节点；
影响图中的节点代表主要变量，通过有向弧表示变量间的各种相互关系，根据节点间变量关系建立影响图模型。
根据本发明提供的一种飞行员操作行为预测模型构建方法，
所述通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为，具体包括：
将影响图转换为概率图，通过概率关系转化，将飞行员行为决策的影响图模型转换为隐马尔可夫模型；
通过预设的神经网络对所述隐马尔可夫模型进行求解，获取飞行员潜在状态及行为。
根据本发明提供的一种飞行员操作行为预测模型构建方法，
所述通过飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型，具体包括：
将飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为组成有效数据集；
将所述有效数据集分为测试集和验证集，通过所述测试集对神经网络进行训练并不断调整参数，通过验证集对训练后的神经网络进行验证，动态调整神经网络，得到行为预测模型。
根据本发明提供的一种飞行员操作行为预测模型的预测方法，包括：
将已知的环境变量、飞机状态变量、飞行员环境响应特征作为行为预测模型的输入；
对不同背景环境因素下的飞行员操作行为进行预测，输出预测结果。
根据本发明提供的一种飞行员操作行为预测模型的预测方法，还包括：
对飞行员的实际飞行操作行为与预测操作行为比对，表示飞行员潜在状态概率；
结合不同时刻的背景环境因素，确定飞行员潜在控制状态转移的影响因素，评估特定类型的飞行员在特定环境因素中的表现及飞行员个人行为特征对飞行操作的影响。
本发明还提供一种飞行员操作行为预测模型构建系统，所述系统包括：
数据获取模块，用于获取给定机型多架次的航班飞行样本数据；
响应特征提取模块，用于基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
影响图建模模块，用于根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
潜在状态确定模块，用于通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
预测模型生成模块，用于通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述飞行员操作行为预测模型构建方法。
本发明提供的一种飞行员操作行为预测模型构建方法及系统，通过构建影响图模型，将影响图转化为概率图，且通过概率关系的转化，将其构建为一个隐马尔科夫模型，并用神经网络的方式进行求解，建立了行为预测模型，可对飞行员潜在状态进行分析，预测飞行员在着陆时的操作行为，实现对飞行员操作行为的评估及长期追踪，协助飞行员培训和提高飞行机队的航空安全。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之一；
图2是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之二；
图3是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之三；
图4是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之四；
图5是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之五；
图6是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之六；
图7是本发明提供的一种飞行员操作行为预测模型构建方法的流程示意图之七；
图8是本发明提供的一种飞行员操作行为预测模型构建系统的模块连接示意图；
图9是本发明提供的电子设备的结构示意图。
附图标记：
110：数据获取模块；120：响应特征提取模块；130：影响图建模模块；140：潜在状态确定模块；150：预测模型生成模块；
910：处理器；920：通信接口；930：存储器；940：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
下面结合图1-图7描述本发明的一种飞行员操作行为预测模型构建方法，包括：
S100、获取给定机型多架次的航班飞行样本数据；
S200、基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
S300、根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
S400、通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
S500、通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
获取给定机型在设定时间段内多架次的航班飞行样本数据并进行数据预处理；
基于预处理后的飞行样本数据建立马尔可夫决策过程，通过逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征、随时间变化的环境信息、飞行员心理状态、飞行员实际操作行为和总体绩效构建影响图模型；
在本发明中，通过构建考虑人的潜在状态和机器可见状态的影响图模型，揭示环境信息与个体认知、决策行为的关系，挖掘决策行为背后的隐状态，更好地刻画人的行为模式。对飞行员的认知决策进行建模，考虑飞行员的潜在心理状态，即捕捉飞行中飞行员的控制模式变化，例如捕获控制、追踪控制、拉平控制等，分析关键决策信息，为飞机的辅助决策提供建议。
获取给定机型多架次的航班飞行样本数据，具体包括：
S101、获取多架次航班的环境变量、飞行状态变量和飞行员操作变量；
S102、对所述环境变量、飞行状态变量和飞行员操作变量进行数据清洗，去除着陆点缺失的样本及各航班存在问题的数据，得到有效样本数据。
在本发明中，给定某机型飞机在一段时间内多架次航班的飞行QAR数据，QAR为记录飞行数据的机载设备，包含多个飞行参数。其中，环境变量有航班降落机场的可视度、天气、气温、气压、绝对风向、风速，飞机状态变量有无线电高度、地面速度、惯性垂直速度、垂直过载(加速度)、下落坡度、俯仰角、滚转角、偏航角、起落架是否接地(离散变量)、飞机重量等，飞行员操作变量有主/副驾驶俯仰角操纵杆位、主/副驾驶滚转角操纵杆位。对数据进行清洗及预处理，去掉了着陆点缺失的样本及各航班有问题的数据(包括飞机下降过程中高度变化小于1，落地前的垂直速度小于落地时的垂直速度)，得到有效样本；其中，高度、俯仰角等数据取每秒均值，垂直过载取每秒最大值。通过对数据的清洗预处理能够保证数据的真实性，满足后续数据处理需求。
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征，具体包括：
S201、从所述航班飞行样本数据中提取当前环境信息；
S202、获取飞行员根据当前环境信息做出的最优决策，建立马尔可夫决策过程；
S203、在建立马尔可夫决策过程中，通过逆向学习获得飞行员对风险环境的响应特征。
在本发明中，不同环境下飞行员会做出不同的应对行为，在风险环境中，成熟的飞行员会综合评判做出最佳的选择。将飞行员模拟为一个最优控制器，即假设飞行员是受过良好训练、有丰富飞行经验的，可以基于当前环境做出最优决策，以实现决策目标。建立马尔科夫决策过程，状态变量为飞机状态(如垂直速度、俯仰角等)，决策变量为飞行员的操作行为(如对俯仰角、滚转角的操作杆位等)，并引入参数刻画飞行员对风险环境的响应特征，如风险偏好参数、飞行熟练度、对着陆速度和过程平稳性的权衡参数等。基于所获得的飞行样本数据，使用逆强化学习的方法，可获得飞行员对风险环境的响应特征参数。
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型，具体包括：
将飞行员对风险环境的响应特征、多项环境参数和行为参数作为影响图的节点；
影响图中的节点代表主要变量，通过有向弧表示变量间的各种相互关系，根据节点间变量关系建立影响图模型。
在本发明中，影响图是由节点和有向弧组成的无环路的有向图，其中，节点代表所研究问题中的主要变量，有向弧表示变量间的各种相互关系。它是根据决策者(或委托人)对问题的描述，结合专家的知识表示问题结构的一种直观图形，在图中明确地揭示出变量间的关系，尤其是变量间的条件独立和信息流向。影响图本身具有两个层次：第一层是图，第二层是每个节点的数据结构。当利用影响图建立问题模型时，可以在相互关系、函数关系和数值关系上定义解释影响图，利用影响图还可以进行计算机信息存储和正规的数值计算。
基于感知、认知、决策行为循环，使用影响图进行建模，其中多项环境参数和行为参数包含的变量有：不随时间变化的飞行员对风险环境的响应特征；随时间变化的环境信息；不同时刻飞行员心理状态，即对三种飞行控制策略的选择，包括捕获控制状态、追踪控制状态、拉平决策状态；飞行员根据当前环境信息，基于自己所选择的飞行策略所进行的实际操作行为；飞机垂直方向上的动力学状态(垂直速度)所导致的对飞机飞行绩效衡量的函数，飞机状态是可观测到的，且上一期的飞机飞行绩效会影响下一期；飞行员心理状态与实际操作行为共同导致的不可见绩效；由可观测到的飞机飞行绩效和不可观测到的飞行员状态行为绩效加和所得的总体绩效。
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为，具体包括：
将影响图转换为概率图，通过概率关系转化，将飞行员行为决策的影响图模型转换为隐马尔可夫模型；
通过预设的神经网络对所述隐马尔可夫模型进行求解，获取飞行员潜在状态及行为。
其中，将影响图转换为概率图，通过概率关系转化，将飞行员行为决策的影响图模型转换为隐马尔可夫模型，包括：
将影响图转换为概率图，并通过概率关系转化，可将飞行员行为决策的影响图模型转换为隐马尔可夫模型，表征包括飞机状态、环境信息、飞行员环境响应特征在内的背景环境因素对飞行员潜在状态与决策行为的影响。
通过预设的神经网络对所述隐马尔可夫模型进行求解，获取飞行员潜在状态及行为包括：
S301、向神经网络输入飞行样本数据、飞行员对风险环境的响应特征以及环境信息，经过两层神经网络，输出隐马尔可夫模型参数；
S302、所述隐马尔可夫模型参数包括状态行为矩阵元素和状态转移矩阵元素；
S303、基于状态行为矩阵元素和状态转移矩阵元素最大化由隐马尔科夫模型得出的行为序列的概率，根据行为序列的概率确定飞行员潜在状态及行为。
在本发明中，采用神经网络求解相关参数，神经网络的输入为飞机状态、飞行员对风险环境的响应特征、环境信息，在经过两层神经网络后，输出隐马尔科夫模型的参数，即状态行为矩阵元素和状态转移矩阵元素，神经网络为最大化由隐马尔科夫模型得出的行为序列的概率，根据行为序列的概率确定飞行员潜在状态及行为。
在一个具体实施例中，初始状态概率假设为[0.5,0.5,0]，表示飞行员在200英尺到着陆的研究范围内，初始状态为捕获控制状态和追踪控制状态的概率分别为0.5，且拉平决策状态是低于200英尺进行。对于状态转移矩阵的元素，不做约束；在200英尺到着陆阶段，飞行员对垂直方向俯仰角的操作行为表示为离散变量[-10,-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4]，对状态转移矩阵和状态行为矩阵中的参数不做约束。
通过飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型，具体包括：
S401、将飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为组成有效数据集；
S402、将所述有效数据集分为测试集和验证集，通过所述测试集对神经网络进行训练并不断调整参数，通过验证集对训练后的神经网络进行验证，动态调整神经网络，得到行为预测模型。
通过对神经网络进行训练，得到飞机状态、环境信息、飞行员环境响应特征与飞行员潜在状态、行为的关系。从所提取的有效样本数目中，取2/3的数据作为训练集，剩余航班的数据作为测试集。利用所训练出来的神经网络，对测试集中的数据进行验证，预测飞行员的操作行为，输出一个行为预测模型。结果表明，引入飞行员隐状态的序贯决策模型对飞行员操作行为的刻画更准确，基于“感知—认知—决策”的行为模型，感知到的背景环境因素并不直接影响其决策行为，而是建立在飞行员对背景环境因素的认知，即个人状态的变化，进而影响其实际的控制操作行为输出。
通过所述行为预测模型基于多个实时数据进行飞行员操作行为预测，具体包括：
S501、将已知的环境变量、飞机状态变量、飞行员环境响应特征作为行为预测模型的输入；
S502、对不同背景环境因素下的飞行员操作行为进行预测，输出预测结果。
在本发明中，建立考虑飞行员潜在状态的影响模型，并使用神经网络训练不同背景环境因素下飞行员状态变化及行为模式，在已知环境变量、飞机状态变量、飞行员环境响应特征时，可将其作为行为预测模型的输入，对不同背景环境因素下的飞行员操作行为进行预测，提前预知并规避飞行风险。利用本发明可自动识别飞行员的预期行为，从而建立动态适应的控制系统，以更好地适应人类的目的，有利于辅助决策的系统开发。此外，也可让机器模仿人类飞行员在相同条件下执行特定起飞任务的操作行为，模拟人的感知、认知与决策行为，进行独立的飞行任务。
S601、对飞行员的实际飞行操作行为与预测操作行为比对，表示飞行员潜在状态概率；
S602、结合不同时刻的背景环境因素，确定飞行员潜在控制状态转移的影响因素，评估特定类型的飞行员在特定环境因素中的表现及飞行员个人行为特征对飞行操作的影响。
具体地，对飞行员的实际飞行操作行为与预测操作行为进行可视化，并表示飞行员潜在状态概率，结合不同时刻的背景环境因素，揭示飞行员潜在控制状态转移的影响因素，评估特定类型的飞行员在特定环境因素中的表现。在通过飞行员大量飞行数据获得飞行员的环境响应特征后，将在不同背景环境因素下对飞行员的操作行为预测与现有机器智能控制的飞机行为进行对比，评估飞行员个人行为特征对飞行操作的影响。在飞行员培训中，可收集同一飞行员长期的飞行数据，观测飞行员潜在控制状态转移的变化，对状态转移矩阵和状态行为矩阵进行聚类分析，评估飞行员在不同时期的行为模式。
通过本发明公开的一种飞行员操作行为预测方法，通过根据飞行员对风险环境的响应特征、随时间变化的环境信息、飞行员心理状态、飞行员实际操作行为和总体绩效构建影响图模型，将影响图转化为概率图，且通过概率关系的转化，将其构建为一个隐马尔科夫模型，并用神经网络的方式进行求解，建立了行为预测模型，可对飞行员潜在状态进行分析，预测飞行员在着陆时的操作行为，实现对飞行员操作行为的评估及长期追踪，协助飞行员培训和提高飞行机队的航空安全。构建考虑人的潜在状态和机器可见状态的影响图模型，揭示环境信息与个体认知、决策行为的关系，挖掘决策行为背后的隐状态，更好地刻画人的行为模式。对飞行员的认知决策进行建模，考虑飞行员的潜在心理状态，即捕捉飞行中飞行员的控制模式变化，分析关键决策信息，为飞机的辅助决策提供建议。
参考图8，本发明还公开了一种飞行员操作行为预测系统，所述系统包括：
数据获取模块110，用于获取给定机型多架次的航班飞行样本数据；
响应特征提取模块120，用于基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
影响图建模模块130，用于根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
潜在状态确定模块140，用于通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
预测模型生成模块150，用于通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
其中，数据获取模块，获取多架次航班的环境变量、飞行状态变量和飞行员操作变量；
对所述环境变量、飞行状态变量和飞行员操作变量进行数据清洗，去除着陆点缺失的样本及各航班存在问题的数据，得到有效样本数据。
响应特征提取模块，从所述航班飞行样本数据中提取当前环境信息；
获取飞行员根据当前环境信息做出的最优决策，建立马尔可夫决策过程；
在建立马尔可夫决策过程中，通过逆向学习获得飞行员对风险环境的响应特征。
影响图建模模块，将飞行员对风险环境的响应特征、多项环境参数和行为参数作为影响图的节点；
影响图中的节点代表主要变量，通过有向弧表示变量间的各种相互关系，根据节点间变量关系建立影响图模型。
潜在状态确定模块，将影响图转换为概率图，通过概率关系转化，将飞行员行为决策的影响图模型转换为隐马尔可夫模型；
通过预设的神经网络对所述隐马尔可夫模型进行求解，获取飞行员潜在状态及行为。
预测模型生成模块，将飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为组成有效数据集；
将所述有效数据集分为测试集和验证集，通过所述测试集对神经网络进行训练并不断调整参数，通过验证集对训练后的神经网络进行验证，动态调整神经网络，得到行为预测模型。
根据获取的行为预测模型，能够对飞行的操作行为进行预测，根据预测结果进行相应的评估。将已知的环境变量、飞机状态变量、飞行员环境响应特征作为行为预测模型的输入；
对不同背景环境因素下的飞行员操作行为进行预测，输出预测结果。
对飞行员的实际飞行操作行为与预测操作行为比对，表示飞行员潜在状态概率；
结合不同时刻的背景环境因素，确定飞行员潜在控制状态转移的影响因素，评估特定类型的飞行员在特定环境因素中的表现及飞行员个人行为特征对飞行操作的影响。
通过本发明公开的一种飞行员操作行为预测模型构建系统，通过根据飞行员对风险环境的响应特征、随时间变化的环境信息、飞行员心理状态、飞行员实际操作行为和总体绩效构建影响图模型，将影响图转化为概率图，且通过概率关系的转化，将其构建为一个隐马尔科夫模型，并用神经网络的方式进行求解，建立了行为预测模型，可对飞行员潜在状态进行分析，预测飞行员在着陆时的操作行为，实现对飞行员操作行为的评估及长期追踪，协助飞行员培训和提高飞行机队的航空安全。构建考虑人的潜在状态和机器可见状态的影响图模型，揭示环境信息与个体认知、决策行为的关系，挖掘决策行为背后的隐状态，更好地刻画人的行为模式。对飞行员的认知决策进行建模，考虑飞行员的潜在心理状态，即捕捉飞行中飞行员的控制模式变化，分析关键决策信息，为飞机的辅助决策提供建议。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行一种飞行员操作行为预测模型构建方法，该方法包括：
获取给定机型多架次的航班飞行样本数据；
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种飞行员操作行为预测模型构建方法，该方法包括：
获取给定机型多架次的航班飞行样本数据；
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种飞行员操作行为预测模型构建方法，该方法包括：
获取给定机型多架次的航班飞行样本数据；
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种飞行员操作行为预测模型构建方法，其特征在于，包括：获取给定机型多架次的航班飞行样本数据；
基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
2.根据权利要求1所述的飞行员操作行为预测模型构建方法，其特征在于，所述获取给定机型多架次的航班飞行样本数据，具体包括：
获取多架次航班的环境变量、飞行状态变量和飞行员操作变量；
对所述环境变量、飞行状态变量和飞行员操作变量进行数据清洗，去除着陆点缺失的样本及各航班存在问题的数据，得到有效样本数据。
3.根据权利要求1所述的飞行员操作行为预测模型构建方法，其特征在于，基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征，具体包括：
从所述航班飞行样本数据中提取当前环境信息；
获取飞行员根据当前环境信息做出的最优决策，建立马尔可夫决策过程；
在建立马尔可夫决策过程中，通过逆向学习获得飞行员对风险环境的响应特征。
4.根据权利要求1所述的飞行员操作行为预测模型构建方法，其特征在于，根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型，具体包括：
将飞行员对风险环境的响应特征、多项环境参数和行为参数作为影响图的节点；
影响图中的节点代表主要变量，通过有向弧表示变量间的各种相互关系，根据节点间变量关系建立影响图模型。
5.根据权利要求1所述的飞行员操作行为预测模型构建方法，其特征在于，所述通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为，具体包括：
将影响图转换为概率图，通过概率关系转化，将飞行员行为决策的影响图模型转换为隐马尔可夫模型；
通过预设的神经网络对所述隐马尔可夫模型进行求解，获取飞行员潜在状态及行为。
6.根据权利要求1所述的飞行员操作行为预测模型构建方法，其特征在于，所述通过飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型，具体包括：
将飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为组成有效数据集；
将所述有效数据集分为测试集和验证集，通过所述测试集对神经网络进行训练并不断调整参数，通过验证集对训练后的神经网络进行验证，动态调整神经网络，得到行为预测模型。
7.一种基于权利要求1-6任一所述的飞行员操作行为预测模型的预测方法，其特征在于，包括：
将已知的环境变量、飞机状态变量、飞行员环境响应特征作为行为预测模型的输入；
对不同背景环境因素下的飞行员操作行为进行预测，输出预测结果。
8.根据权利要求7所述的飞行员操作行为预测模型的预测方法，其特征在于，还包括：
对飞行员的实际飞行操作行为与预测操作行为比对，表示飞行员潜在状态概率；
结合不同时刻的背景环境因素，确定飞行员潜在控制状态转移的影响因素，评估特定类型的飞行员在特定环境因素中的表现及飞行员个人行为特征对飞行操作的影响。
9.一种飞行员操作行为预测模型构建系统，其特征在于，所述系统包括：
数据获取模块，用于获取给定机型多架次的航班飞行样本数据；
响应特征提取模块，用于基于所述航班飞行样本数据进行逆向学习获得飞行员对风险环境的响应特征；
影响图建模模块，用于根据飞行员对风险环境的响应特征以及多项环境参数和行为参数构建影响图模型；
潜在状态确定模块，用于通过对所述影响图模型进行转化和求解，获取飞行员潜在状态及行为；
预测模型生成模块，用于通过所述飞行样本数据、飞行员对风险环境的响应特征和飞行员潜在状态及行为对预设的神经网络进行训练和验证，生成飞行员操作行为预测模型。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述飞行员操作行为预测模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036584.3A CN117035187A (zh) | 2023-08-16 | 2023-08-16 | 一种飞行员操作行为预测模型构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036584.3A CN117035187A (zh) | 2023-08-16 | 2023-08-16 | 一种飞行员操作行为预测模型构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117035187A true CN117035187A (zh) | 2023-11-10 |
Family
ID=88626097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036584.3A Pending CN117035187A (zh) | 2023-08-16 | 2023-08-16 | 一种飞行员操作行为预测模型构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035187A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711627A (zh) * | 2024-02-06 | 2024-03-15 | 中国民用航空飞行学院 | 民航飞行学员飞行训练过程健康风险预测处置方法及系统 |
-
2023
- 2023-08-16 CN CN202311036584.3A patent/CN117035187A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711627A (zh) * | 2024-02-06 | 2024-03-15 | 中国民用航空飞行学院 | 民航飞行学员飞行训练过程健康风险预测处置方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Majumdar et al. | Factors affecting air traffic controller workload: Multivariate analysis based on simulation modeling of controller workload | |
| Prandini et al. | Toward air traffic complexity assessment in new generation air traffic management systems | |
| De Ambroggi et al. | Modelling and assessment of dependent performance shaping factors through Analytic Network Process | |
| Lim et al. | Multimodal degradation prognostics based on switching Kalman filter ensemble | |
| CN104835354B (zh) | 一种管制负荷管理系统及其管制员工作负荷的评估方法 | |
| CN107545095A (zh) | 用于飞行器大修期间的结构修理的预测方法和系统 | |
| CN106447184A (zh) | 基于多传感器测量与神经网络学习的无人机操作员状态评估方法 | |
| CN111680882B (zh) | 一种概率耦合关系下无人机系统多层级风险评估方法 | |
| CN111177900B (zh) | 一种基于匹配适应度的空间人机系统安全性动态建模方法 | |
| Wiggins* et al. | Expert, intermediate and novice performance during simulated pre-flight decision-making | |
| Pacheco et al. | Airport airside safety index | |
| CN105182988A (zh) | 基于马尔科夫决策过程的飞行员操作行为引导方法 | |
| CN106779294A (zh) | 飞机操作差错探测方法和系统 | |
| CN111724001A (zh) | 一种基于深度强化学习的飞行器探测传感器资源调度方法 | |
| Yan et al. | Using artificial neural network for predicting and evaluating situation awareness of operator | |
| CN117035187A (zh) | 一种飞行员操作行为预测模型构建方法及系统 | |
| Yin et al. | Dynamic behavioral assessment model based on Hebb learning rule | |
| CN109766568A (zh) | 一种多因素耦合的航天人因可靠性不确定性分析方法 | |
| Roelen et al. | Causal modeling using Bayesian belief nets for integrated safety at airports | |
| CN113093568A (zh) | 基于长短时记忆网络的飞机自动驾驶操作模拟方法 | |
| CN116072294A (zh) | 一种基于资源供需和情境理解的飞行员情境意识评定系统和方法 | |
| Sun et al. | A method of analysis integrating HCR and ETA modeling for determining risks associated with inadequate flight separation events | |
| Shmelova et al. | Artificial intelligence methods and applications in aviation | |
| CN105261241B (zh) | 基于霍普菲尔德神经网络的空中交通管制模拟仿真异常检测方法和装置 | |
| Lu et al. | Mental Overload Assessment Method Considering the Effects of Performance Shaping Factors |
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 |