XiaoMi-AI文件搜索系统
World File Search System事故数据
基于灰色关联分析的民航飞行员人为失误因素研究
摘要。针对民航事故涉及人为失误因素较多且具有典型灰色系统特征的情况，利用人为因素分析和分类系统模型，构建了民航事故人为失误因素指标体系。以2008—2011年全球发生的事故数据为基础，采用灰色关联分析法定量分析人为失误因素间的关联性。研究结果表明，影响飞行员人为失误因素的主要因素排序为不安全行为前提条件、不安全监管、组织机构、不安全行为。与二级指标和飞行员人为失误因素关联最密切的因素是飞行员的生理/心理限制，其次是监管违规。还可以定量分析一级指标与相应二级指标之间的关联性以及二级指标之间的关联性。
紧急定位发射机 (ELT) 在加拿大的性能......
这项研究由国家搜救秘书处进行，通过分析 2003 年至 2007 年期间在加拿大境内发生的实际飞机事故，研究了 ELT 的成功启动率和人为因素问题。成功率（在实际飞机事故中幸存并通知搜救当局的 ELT 百分比）为 74%（所分析的案例中有 64% 是自动启动的）。这比过去的成功率有所提高。这项研究的目的是比较 121.5/243 MHz ELT 和 406 MHz ELT 的成功率和人为因素问题。但是，事故数据不包括任何涉及 406 MHz ELT 的事故。该研究还研究了 2006 年至 2008 年间发生的 121.5/243 MHz 和 406 MHz ELT 的误报率和人为因素问题。误报率被确定为很高，在任一频率上运行的 ELT 约为 90%。
卢旺达大学商学院
图 1：将样本从两个类别中分离出来的最大边际超平面 ...................................................................... 9 图 2：决策树算法 .............................................................................................................. 11 图 3：使用决策树对直接邮寄的响应进行分类 ........................................................................ 12 图 4：用于数据分析的 Python 库 ............................................................................................. 21 图 5：我们数据集中缺失值的摘要 ............................................................................................. 23 图 6：热图函数表示空值的分布 ............................................................................................. 24 图 7：说明调查类型的 Python 代码 ............................................................................................. 25 图 8：说明业余建造的 Python 代码 ............................................................................................. 26 图 9：说明飞行阶段的 Python 代码 ............................................................................................. 27 图 10：说明可变数量的发动机的 Python 代码 ............................................................................. 28 图 11：用四个属性的模态值替换缺失值的 Python 代码和结果 ................................................................................................................. 29 图 12：清理后的数据集，没有空值 ............................................................................................. 30图 14：从分类转换为数值后的调查类型摘要 ......................................................................................................................................................................31 图 15：从分类转换为数值后的天气状况摘要 ......................................................................................................................................................31 图 16：从分类转换为数值后的业余建造摘要 ......................................................................................................................31 图 17：从分类转换为数值后的飞行阶段摘要 ......................................................................................................31 图 18：带有数值的发动机数量摘要 .............................................................................................................32 图 19：我们数据集中变量之间相关性的摘要。 .............................................................................................34 图 20：我们数据集的形状 .............................................................................................................................34 图 21：我们数据集中的所有变量 .............................................................................................................35 图 22：筛选特征（可能导致空调事故的潜在特征） .............................................................................................35 图 23：特征重要性 ................................................................................................................ 36 图 24：决策树分类器的分类报告和准确度得分 .............................................................................. 37 图 25：决策树分类器的混淆矩阵 .............................................................................................. 38 图 26：基于曲线下面积的决策树分类器性能图表 ............................................................................................. 38 图 27：随机森林分类器的分类报告和准确度得分 ............................................................................. 39 图 28：随机森林分类器的混淆矩阵 ............................................................................................. 39 图 29：基于曲线下面积的随机森林分类器性能图表 ............................................................................................. 39 图 30：SVM 分类器的分类报告和准确度得分 ............................................................................................. 40 图 31：SVM 分类器的混淆矩阵 ............................................................................................. 40 图 32：基于 AUC 的 SVM 分类器性能图表 ............................................................................................. 40 图 33：朴素贝叶斯的分类报告和准确度得分分类器 .................................................. 41 图 34：朴素贝叶斯分类器的混淆矩阵 .............................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 .............................................. 41 图 36：基于 AUC 对飞机事故数据的不同分类模型的评估性能 ............................................................................................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42SVM 分类器的混淆矩阵 ................................................................................................ 40 图 32：基于 AUC 的 SVM 分类器性能图表 .............................................................. 40 图 33：朴素贝叶斯分类器的分类报告和准确度得分 ............................................................ 41 图 34：朴素贝叶斯分类器的混淆矩阵 ............................................................................. 41 图 35：基于 AUC 的朴素贝叶斯分类器性能图表 ............................................................. 41 图 36：基于 AUC 的不同分类模型在飞机事故数据上的评估性能 ............................................. 42
固定式电加热器最终报告 2002 年 1 月
适用的自愿标准是 UL 1042 电动踢脚板加热设备 和 UL 2021 固定和专用电动室内加热器 。为实现项目目标，完成了以下活动：• 根据新的调查指南进行现场调查，在两个供暖季节开展了 108 项范围内的调查。• 样品回收工作从 23 项调查中收集并分析了 28 个现场返回的事故加热器。• 一份经济报告确定了加热器的类型、分布和群体。• 合规办公室之前的调查研究提供了重要的现场事故数据和专家分析。• 人为因素司评估了安装人员和用户的说明。• 对多种加热器进行的实验室实验表征了各种条件下的性能和潜在危险。• 故障模式和影响分析将潜在故障与 UL 2021 检测这些故障的能力进行了比较。 • 电气连接领域的独立专家对固定位置电加热器中电压接连接器的质量和效果进行了评估。
1983 年至 2000 年涉及第 121 部分美国航空公司运营的事故生存率
美国国家运输安全委员会经常收到公众和政府机构关于飞机事故生存能力的询问。尽管安全委员会的《美国航空公司运营飞机事故数据年度审查》总结了飞机损坏对乘客造成的伤害程度，但该年度出版物过去并未详细分析生存能力问题。因此，本安全报告的目的是研究美国航空公司运营的飞机乘客生存能力。安全委员会仅审查了根据《联邦法规》第 14 章第 121 部分执行的航空公司运营，因为委员会的大多数生存因素调查都是针对涉及第 121 部分运营商的事故进行的。因此，第 121 部分运营的生存能力数据比第 135 部分和第 91 部分（通用航空）运营的生存能力数据更多。本报告还审查了第 121 部分事故中最严重的事故的死亡原因信息；即涉及火灾、至少一人重伤或死亡以及飞机严重损坏或彻底损毁的事故。
GAO-23-105219，无障碍版本，国民警卫队直升机：防止事故发生和提高安全性所需采取的额外行动
国民警卫队直升机部队执行一系列联邦和州任务，包括战斗搜救、医疗后送和灾难救援。根据报告的数据，陆军和空军国民警卫队在 2012 至 2021 财年期间发生了直升机事故，导致 28 名国民警卫队人员死亡。美国政府问责局被要求审查与国民警卫队直升机事故有关的问题。本报告研究了 (1) 2012 至 2021 财年报告的陆军和空军国民警卫队直升机事故在非战斗场景中的趋势和报告的原因；并评估了 (2) 陆军和空军国民警卫队在直升机训练期间使用现有流程来促进安全和降低风险的程度；以及 (3) 陆军和空军是否已经解决了阻碍国民警卫队直升机飞行员训练的挑战（如果有的话）。美国政府问责署分析了 2012 年至 2021 财年的事故数据；审查了文件；并采访了根据事故发生地点等因素选定的非普遍性单位样本的官员。
使用机器学习进行道路事故严重性预测和最佳救援途径
道路交通事故仍然是城市规划师，运输当局和全球公共安全利益相关者的关键挑战。尽管道路基础设施和交通管理方面取得了进步，但事故的频率和严重性继续使紧急响应系统紧张并损害公共安全。事故热点特别令人担忧，因为它们经常由于道路设计不良，交通密度和不利天气条件等因素而表现出反复出现的事故模式。本文解决了通过数据驱动的方法来预测事故严重程度并确定易于识别事故的领域的挑战。使用一个超过770万个包含地理，环境和时间特征的事故记录的大型数据集，该论文开发了机器学习模型，以预测事故的严重性并检测高风险区域的空间群集。通过将历史事故数据与天气和道路状况等实时因素相结合，该论文旨在创建一个为主动干预措施提供信息并优化紧急响应策略的系统。
使用基于方案的测试来验证自动驾驶系统：场景生成的FUSE4REP流程模型作为“ Dresden Metho
基于抽象方案的测试是验证自动驾驶系统（AD）的主要方法，从而确保了安全的道路交通。因此，所使用的测试方案应代表相应的操作设计域（奇数）的流量事件，并应涵盖从正常驾驶到事故的交通状况。为此，建议将警察事故数据和基于视频的交通观察数据融合到一个数据库中，以进行后续方案。因此，本文作为Dresden方法的一部分介绍了FUSE4PRESTISTITION（FUSE4REP）过程模型，该过程有助于将异质数据集融合到一个奇特代理数据库中，以实现精益，快速且全面的场景生成。特此，统计匹配用作可能匹配变量的融合方法构建，例如3位事故类型，碰撞类型和参与者的不当行为。此外，本文显示了如何以这种方式生成的方案来假设验证ADS，例如在结合人类驾驶员行为模型的随机交通模拟中。未来的研究应在实践中应用FUSE4REP模型并测试其有效性。
研究文章识别事故因果因素...
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) 的大约 200,000 份合格事故报告准备用于训练、验证和测试的数据集。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，并使用事件报告中的文本对其进行微调，以使其更适合我们特定的研究任务。最后，我们构建并训练基于注意力机制的 lo
识别事故诱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) 的大约 200,000 份合格事故报告准备用于训练、验证和测试的数据集。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，并使用事件报告中的文本对其进行微调，以使其更适合我们特定的研究任务。最后，我们构建并训练基于注意力机制的 lo