基于深度学习的民航非计划事件相似案例智能推荐方法技术

本发明专利技术公开了基于深度学习的民航非计划事件相似案例智能推荐方法，基于Doc2Vec深度学习算法得到不同案例与目标事件的相似度，快速定位最优案例，为制定目标事件的应急处置措施提供参考。本发明专利技术提出的基于深度学习的民航非计划事件相似案例智能推荐方法，能够准确快速地对目标事件进行相似案例匹配，实现了民机系统非计划事件的快速应急响应。

【技术实现步骤摘要】
基于深度学习的民航非计划事件相似案例智能推荐方法
本专利技术属于民航安全
，特别涉及了一种民航非计划事件相似案例智能推荐方法。
技术介绍
民航安全是民航业永恒的主题，民航业迅速崛起，飞机系统也得到更加广泛的应用。航空维修决策以及适航管理也成了各民航组织的重点关注对象。各航空公司民用飞机设备数量激增、系统复杂度提高，影响飞机运行安全的因素也大幅增加。在飞机实际运营过程中，时常伴随着多种非计划事件的发生。尽管它们大多数与常规问题有关，但为了避免非计划事件造成的不安全状况发展为严重安全问题，对于飞机运营中非计划事件的应急响应非常有必要。非计划事件的应急响应能够及时准确纠正高风险的不安全状态，避免最少的人员伤亡和经济损失。深度学习是一类模仿人脑神经网络机制的机器学习方法，在图像、视觉领域均取得较好的效果。随着深度学习方法在自然语言处理(NaturalLanguageProcessing，NLP)中的普及应用，深度学习算法解决文本分析问题得到了广泛研究。深度学习方法可以挖掘出文本的深层含义，提升文本关键信息提取的准确率。在航空安全领域，深度学习算法已被成熟应用于飞机飞行阶段的安全隐患及安全隐患与事故原因之间的关联关系分析、重大航空事故原因分析、航空安全报告的原因分析等方面。关于民机非计划事件相似案例智能推荐方面的研究较少。
技术实现思路
为了解决上述
技术介绍
提到的技术问题，本专利技术提出了基于深度学习的民航非计划事件相似案例智能推荐方法，实现了民航非计划事件的快速应急响应，延长了民机持续适航时间。为了实现上述技术目的，本专利技术的技术方案为：基于深度学习的民航非计划事件相似案例智能推荐方法，包括以下步骤：(1)数据收集：确定数据收集的起始时间和终止时间，收集某航空公司X架机型为Y的飞机的共计M条关于飞机发动机的故障事件日志报告作为样本数据；(2)数据标准化：使用民航词典对故障事件日志报告中涉及的航空术语进行标准化；剔除含有航空公司特定执行代码的事件信息，仅保留M′条标准化事件信息；(3)对标准化后的数据进行预处理；(4)利用Doc2Vec模型将事件文本训练成多维向量；(5)计算目标事件与M′条标准化事件文本之间的相似度；(6)将目标事件作为新案例放入案例库进行相似案例检索，筛选出与新案例相似的参考案例。进一步地，在步骤(3)中，数据预处理的方法如下：(3a)整理事件文本信息，组成事件标准化中文文本语料；(3b)去除语料中会影响计算速度和测试精度的特殊字符；(3c)去除语料中会影响文本相似度计算的无关停用词；(3d)采用分词工具对文本进行分词处理。进一步地，步骤(4)的具体过程如下：(4a)采用PV-DM模型进行训练，随机初始化N×V维的两个矩阵W和D，V代表词汇量大小，N为设定的最终想要得到的词向量维度，且N远小于V；(4b)输入语料的每个段落都映射为一个向量，作为矩阵D的列向量；每个单词映射为一个向量，作为矩阵W的列向量；(4c)对于一条事件信息，给定的词语序列(wj-k,wj-k+1,···wj+k)，上下文中的共计C1个词对应的词向量为{wj-k,wj-k+1,···wj+k}，k为窗口大小，其中C1＝k，词向量{wj-k,wj-k+1,···wj+k}的维度是V×1，对于给定的词wj，定义其所在句子的段落向量为(4d)将输入语料的C个词的词向量{wj-k,wj-k+1,···wj+k}求和，再加上代表句子的段落向量然后进行投影变换，映射到一个N维组合向量h；(4e)对W中的每一个组合向量h加权求和得到uj：uj＝γj'h其中，γj'是加权求和时所用的权值，维度为V×1，j＝1,2···V；是词语wj的非正则化的统一概率：其中，U,b为Softmax函数的参数；(4f)将获得的uj和带入Softmax函数预测词语wj出现的概率：(4g)采用随机梯度下降算法得到最优化目标函数y：(4h)重复上述步骤(4a)-(4g)，寻找最佳词向量维数N，得到训练好的Doc2Vec模型。进一步地，在步骤(5)中，采用余弦相似度来度量事件日志报告中的每条事件信息与该事件前后的所有事件的相似度，并将其加总求平均作为该事件与其他事件的相似度。进一步地，所述余弦相似度的公式如下：其中，sim(a,b)表示两两事件间的相似度，表示事件a的向量化表示，表示事件b的向量化表示。采用上述技术方案带来的有益效果：本专利技术利用深度学习的特征识别特性，实现非计划事件的快速化响应，辅助制定飞机系统非计划事件应急处置方案，从文本语义挖掘的角度，实现飞机非计划事件的快速定位与非计划因素的准确排除。本专利技术提高了民航非计划事件的应急处置效率，降低了飞机产生安全隐患的可能性。附图说明图1是本专利技术的流程图；图2是Doc2Vec模型图(PV-DM模型)；图3是Doc2Vec模型图(PV-DBOW模型)；图4是实施例中Doc2Vec模型训练的最佳词向量维度示意图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。非计划事件的多样性、复杂性和人工判定的主观性都将增加非计划事件应急响应的时间，应急响应不及时可能会造成人员伤亡、飞机损毁等严重安全问题。为解决民航非计划事件应急处置的效率问题，本专利技术设计了一种基于深度学习的民航非计划事件相似案例智能推荐方法，如图1所示，步骤如下：步骤1：数据收集：确定数据收集的起始时间和终止时间，收集某航空公司X架机型为Y的飞机的共计M条关于飞机发动机的故障事件日志报告作为样本数据；步骤2：数据标准化：使用民航词典对故障事件日志报告中涉及的航空术语进行标准化；剔除含有航空公司特定执行代码的事件信息，仅保留M′条标准化事件信息；步骤3：对标准化后的数据进行预处理；步骤4：利用Doc2Vec模型将事件文本训练成多维向量；步骤5：计算目标事件与M′条标准化事件文本之间的相似度；步骤6：将目标事件作为新案例放入案例库进行相似案例检索，筛选出与新案例相似的参考案例。在本实施例中，具体地，在步骤1中，首先通过民机维修运行控制系统和航线移动端平台以人工录入的方式收集某航空公司10架机型为波音737的飞机，从2015年10月至2020年10月的142条关于飞机发动机的故障事件日志报告作为样本数据，其中每一条故障日志共涉及18个属性，在18个属性中，部分属性对文本相似度计算结果无影响，这些属性属于无关属性，被人工剔除。最后每一条事件信息选取ATA和事件描述两个属性作为案例检索的索引。在本实施例中，具体地，在步骤2中，通过民航词典对事件描述中的航空术语标准化，同时人工剔除含有航空公司特定执行代码的事件信息，最后仅保留134条标准化故障事件日志。在本实本文档来自技高网...

【技术保护点】
1.基于深度学习的民航非计划事件相似案例智能推荐方法，其特征在于，包括以下步骤：/n(1)数据收集：确定数据收集的起始时间和终止时间，收集某航空公司X架机型为Y的飞机的共计M条关于飞机发动机的故障事件日志报告作为样本数据；/n(2)数据标准化：使用民航词典对故障事件日志报告中涉及的航空术语进行标准化；剔除含有航空公司特定执行代码的事件信息，仅保留M′条标准化事件信息；/n(3)对标准化后的数据进行预处理；/n(4)利用Doc2Vec模型将事件文本训练成多维向量；/n(5)计算目标事件与M′条标准化事件文本之间的相似度；/n(6)将目标事件作为新案例放入案例库进行相似案例检索，筛选出与新案例相似的参考案例。/n

【技术特征摘要】
1.基于深度学习的民航非计划事件相似案例智能推荐方法，其特征在于，包括以下步骤：
(1)数据收集：确定数据收集的起始时间和终止时间，收集某航空公司X架机型为Y的飞机的共计M条关于飞机发动机的故障事件日志报告作为样本数据；
(2)数据标准化：使用民航词典对故障事件日志报告中涉及的航空术语进行标准化；剔除含有航空公司特定执行代码的事件信息，仅保留M′条标准化事件信息；
(3)对标准化后的数据进行预处理；
(4)利用Doc2Vec模型将事件文本训练成多维向量；
(5)计算目标事件与M′条标准化事件文本之间的相似度；
(6)将目标事件作为新案例放入案例库进行相似案例检索，筛选出与新案例相似的参考案例。


2.根据权利要求1所述基于深度学习的民航非计划事件相似案例智能推荐方法，其特征在于，在步骤(3)中，数据预处理的方法如下：
(3a)整理事件文本信息，组成事件标准化中文文本语料；
(3b)去除语料中会影响计算速度和测试精度的特殊字符；
(3c)去除语料中会影响文本相似度计算的无关停用词；
(3d)采用分词工具对文本进行分词处理。


3.根据权利要求1所述基于深度学习的民航非计划事件相似案例智能推荐方法，其特征在于，步骤(4)的具体过程如下：
(4a)采用PV-DM模型进行训练，随机初始化N×V维的两个矩阵W和D，V代表词汇量大小，N为设定的最终想要得到的词向量维度，且N远小于V；
(4b)输入语料的每个段落都映射为一个向量，作为矩阵D的列向量；每个单词映射为一个向量，作为矩阵W的列向量；
(4c)对于一条事件信息，给定的词语序列(w...

【专利技术属性】
技术研发人员：王捷，周迪，左洪福，胡煜雯，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32