XiaoMi-AI文件搜索系统
World File Search System事故原因
开展调查，查找印尼境内发生的民用航空器事故原因
事故是一系列不良事件的结果。虽然各种航空法规已经缩小了事故发生的可能性，但现实中仍然会发生事故。而一般而言，航空事故的原因可以包括人为因素、飞机因素和天气因素，其中人为因素占航空事故原因的70%-80%。本论文采用的研究方法是法律规范和比较内经验描述分析。为了防止类似事故再次发生，提高飞行安全，需要统一航空事故的报告标准和比较，以便与国家或其他机构作出的航空事故报告进行分析和比较。在调查的早期，需要了解和理解航空事故分类的定义，以确定将要应用的调查实施形式。KNKT 调查程序采用基于国家和国际法规的指导方针进行。组织 KNKT 事故调查的唯一目的是找出影响事故发生的任何原因。此外，此次调查的结果可用于改善条件和安全措施，以防止未来因同样原因发生航空事故。而当整个调查结束时，KNKT 将发布最终报告，作为对印度尼西亚航空事故调查的一种问责形式
研究论文：识别事故原因以提高航空运输安全：提出一种深度学习方法
航空是一种复杂的运输系统，安全至关重要，因为飞机故障往往会造成人员伤亡。预防显然是航空运输安全的最佳策略。从过去的事故数据中学习以防止潜在事故的发生已被证明是一种成功的方法。为了防止潜在的安全隐患并制定有效的预防计划，航空安全专家从事故报告中确定主要因素和促成因素。然而，如今安全专家的审查过程已经变得非常昂贵。由于信息技术的加速发展以及商业和私人航空运输业的增长，事故报告的数量正在迅速增加。因此，应应用先进的文本挖掘算法来帮助航空安全专家促进事故数据提取过程。本文重点介绍如何构建基于深度学习的模型来识别事故报告中的因果因素。首先，我们使用来自航空安全报告系统 (ASRS) 的约 200,000 份合格事故报告准备用于训练、验证和测试的数据集。第十，我们采用开源自然语言模型作为基线，该模型经过大量维基百科文本训练，并根据事件报告中的文本对其进行微调，使其更适合我们的特定研究任务。最后，我们建立并训练基于注意力的长短期记忆 (LSTM) 模型，以识别每份事件报告中的主要因素和促成因素。我们提出的解决方案具有多标签功能，并且是自动化和可定制的，并且比现有研究中的传统机器学习方法更准确、适应性更强。深度学习算法在事件报告系统中的这种新应用可以有效提高航空安全。
