基于ARIMA、LS-SVM和BP神经网络组合模型的航空运输飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)、最小二乘支持向量机模型(LS-SVM)和BP神经网络模型(BPNN)的组合模型,对某航空公司运输的月度飞行事故征候万时率进行预测分析。首先,利用2008—2016年某航空公司的事故征候、飞行小时、航空器数量、原油价格等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获取飞行事故征候万时率的线性部分;然后,利用LS-SVM和BP神经网络建模,获取飞行事故征候万时率的非线性部分;最后,利用DS证据理论,实现三者的融合,获得ARIMA+LS-SVM+BPNN组合模型,利用组合模型对2017年1至3月该航空公司的月度飞行事故征候万时率进行预测,并用实际数据进行了验证。结果表明:组合模型较好地拟合了飞行事故征候万时率的历史序列,并获得了较高的预测精度;组合模型的短期(3个月)预测值与该航空公司飞行事故征候万时率的变化趋势完全一致,且预测精确度可接受。该研究可为航空公司安全与运行的趋势分析与判断提供数据依据,也可为航空公司制定针对性的飞行事故征候防控方案提供帮助。

基于MEBN的大型舰船舰面保障作业检测

大型舰船舰面保障作业指驻扎于大型舰船的飞机的一次出动过程中,发生于舰面的针对飞机的出动回收准备活动(如飞机调运、物资转运、飞机滑跑起飞等)。基于舰面监控视频检测舰面保障作业,利于分析并提高保障作业效率。在大型舰船携带的机群出动过程中,各飞机的保障作业同时进行,涉及数以百计的操作员、高级器械及设施设备的协作。针对大型舰船舰面保障作业检测问题中,同一视频场景内同时发生多个保障作业且参与者位置交叉、重叠的难点,提出一种基于多实体贝叶斯网络的大型舰船舰面保障作业检测技术。该技术假设在视频数据预处理阶段获取视频中各目标物清晰连贯的运动轨迹;在保障作业检测阶段,输入目标物轨迹,先基于带约束的轨迹自动聚类算法,自动计算聚类个数,并将参与同一保障作业的轨迹聚至同一类;在各聚类内,采用基于MEBN的保障作业识别技术,推断保障作业类型。大型舰船舰面监控视频数据集上的实验表明,该方法对同一视频场景中同时发生的且参与者位置交叉的舰面保障作业具有良好的检测效果。

基于视频事件的大型舰船舰面保障作业检测

大型舰船舰面保障作业指大型舰船携带的飞机从降落至舰面到起飞离舰的整个过程涉及的所有作业.大型舰船舰面保障作业检测是个很有挑战的问题.其难点是检测同一视频场景中并发的参与者位置交叉的保障作业.本文提出一种基于视频事件的大型舰船舰面保障作业检测方法.该方法将舰面保障作业视为更小粒度保障作业按一定约束构成的复杂事件.先采用基于轨迹层次聚类的保障作业结构提取算法,确定场景内保障作业的组合层次关系及各保障作业的参与者;再采用基于作业模型的保障作业识别算法,逐层识别保障作业类型.实验结果表明,本文方法取得良好的舰面保障作业检测效果,可检测同一视频场景中并发的参与者位置交叉的保障作业.

基于流程模型的航空保障作业检测与仿真评估技术

基于视频的航空保障作业检测与仿真评估是个非常困难的问题,其难点在于航空保障全过程视频不完整及部分保障作业无法从视频中检测到。针对该问题,提出基于流程模型的航空保障作业检测与仿真评估技术。首先,定义航空保障流程模型,包括航空保障作业执行顺序模型与航空保障作业模型两部分;然后,输入视频内检测到的保障活动,基于航空保障流程模型检测保障作业;最后,以保障作业检测结果为输入,仿真航空保障过程并评估仿真结果。