摘要：航空安全事件风险等级预测是主动风险管理的重要手段。考虑海量航空安全事件数据呈现的高维复杂、类不平衡等特性,提出一种基于集成代价敏感深度神经网络(ECSDNN)的航空安全事件风险等级预测方法。采用分类型属性嵌入特征编码和数值型属性拼接的方法实现航空安全事件数据的特征表示;综合考虑错分比例和固定代价设计代价敏感矩阵和代价敏感损失函数,构建基于代价敏感深度神经网络(CSDNN)的基分类器模型;采用硬投票方法,集成多个参数不同、性能各异的基分类器,构建航空安全事件风险等级预测模型。在航空安全事件报告系统(ASRS)数据集上的实验结果表明:相比基准算法,所提ECSDNN模型的预测准确率提升了4.51%;相比单个CSDNN基分类器,所提ECSDNN模型的预测准确率提升了3.17%。验证了基于ECSDNN的航空安全事件风险等级预测方法的有效性。

摘要：针对大型枢纽机场面临的航班行李分拣站分配任务越来越繁重、约束条件复杂、优化困难等问题,分析了旅客行李处理流程并给出了机场航班行李分拣站分配问题的形式化描述,提出了面向机场不同业务需求的行李分拣站分配方案性能评价指标。以均衡度最小、偏好匹配度最大和空闲行李分拣站数量最大为优化目标,研究构建了行李分拣站分配问题多目标优化模型,并设计了遗传算法求解该模型。基于北京首都国际机场实际运行数据的仿真验证表明,提出的分配方案在各个评价指标上均有较好表现,相较于机场现行方案,有显著优势,能很好地满足机场实际的运行需求。

摘要：针对目前多模态融合3D目标检测方法难以有效融合目标对应图像特征的问题,通过引入近邻修正(Nearest Neighbor Correction,NNC)方法减轻目标点云稀疏和非目标点云的影响,提出一种多模态3D目标检测方法NNC-EPNet.首先,设计近邻修正模块NNC,利用增强后的近邻点云特征修正采样点云,减少点云数据中的噪声,增强目标点云特征,从而更好地融合目标图像特征;其次,设计基于Transformer的多模态特征融合编码器(Mutil-Modal Fusion Transformer,MFT),采用交叉注意力机制融合图像特征和点云特征,并且引入点云注意力机制聚合全局上下文信息,以提升特征表达能力;最后,分别在自动驾驶标准数据集KITTI和Waymo上进行对比实验.实验结果表明:NNC-EPNet方法在KITTI数据集上的平均精度均值达到84.47%,与基线算法相比,在容易、中等和困难3种难度场景下的检测精度分别提高了2.00%、3.25%和5.68%;在Waymo数据集上的加权平均精度达到74.48%,与基线算法相比,提升了2.49%.研究结果证明了设计的两个模块NNC和MFT能够有效提升3D目标检测性能.

摘要：针对物化视图集动态调整存在的"抖动性"问题,提出一种基于查询聚类的物化视图动态选取策略QCDMVS。以关联规则算法为依据计算属性字段相似性,计算查询语句相似性并对一个查询周期内的查询语句集进行聚类,产生候选视图,根据效益模型计算候选视图的效益,运用物化视图动态调整算法DSMVQC生成最终物化视图。以航空公司机票结算数据作为实验数据集,实验结果表明,相比基准算法,该改策略的运用使得数据仓库的查询性能有较大改善。