摘要：对民航客机乘员应急疏散的仿真研究,不仅有助于飞机初始设计阶段对舱门尺寸、位置的布局设计,而且对客舱布局设计也有重要价值。本文在深入分析民航客机客舱内空间布局和乘员疏散特点的基础上,建立了模拟民航客机乘员应急疏散的元胞自动机模型,该模型将传统网格精细化为10cm×10cm的网格,从而更精确地模拟了乘员在应急疏散时正常前进与侧身前进的情形,同时考虑乘员的疏散速度可变,对元胞的是否可进入做了更符合实际的分析。通过采用该模型对舱门打开个数以及乘员年龄结构对应急疏散时间的影响进行仿真研究,结果表明:舱门开启个数对乘员应急疏散时间有着重要的影响,舱门打开过少会造成乘员长时间滞留在座位上;乘员的年龄结构也会影响乘员的疏散时间,老年乘员会对其身后的年轻乘员的疏散速度产生影响。采用精细化网格划分机制所建立的应急疏散仿真系统与传统元胞自动机算法相比,更接近于实际,具有一定的实用性。

摘要：为解决新一代民航旅客服务信息系统中数据缺失不能准确进行旅客流失预测的问题,考虑旅客流失预测任务与旅客缺失数据填补任务具有相关性,提出基于部分距离的SMOTE算法和基于降噪自编码器的多任务深度学习网络模型。基于部分距离的SMOTE算法在数据不完备场景下,对少数类别已流失旅客和准流失旅客进行过采样;设计的多任务深度学习网络模型利用逐层无监督训练和有监督微调,同时进行对缺失数据填补与民航旅客流失预测。实验结果表明,相比传统处理方法,该方法能有效提高数据质量和旅客流失预测的准确性。

摘要：为有效解决机场噪声预测问题,提升预测结果的适应性以及准确性,提出一种基于卡尔曼滤波的机场噪声预测异构集成策略。将已有预测方法归纳为两类:时间序列预测和关联分析预测,根据现行噪声标准构建同时适用两类方法的训练数据集;采用卡尔曼滤波对两类方法的预测结果进行优化,将两类方法的结果集成到同一时间维度上对未来噪声进行预测。实验结果表明,该集成策略能将两类预测方法合理结合起来,显著提高预测准确率。

摘要：为了进一步推广应用K最短路径(K shortest paths,KSP)算法并为深入研究该类算法提供相关资料。根据路径限制条件,将KSP问题分为一般KSP问题和限定无环KSP问题,归纳总结了求解每类KSP问题的基本思路、研究现状和研究进展。KSP问题非常复杂,在实际应用中所需处理的数据规模非常庞大,使得算法效率成了评价KSP算法的一个重要指标。在分析各种KSP算法时尤其关注其时间复杂度,指出KSP问题未来的研究方向,将为满足多约束的最短路径等问题的研究提供有益的参考。

摘要：提出一种基于属性序的贝叶斯网结构快速学习方法,实现贝叶斯网结构的快速构建。以先验知识和样本数据信息为基础进行贝叶斯网结构模型的构建;在此基础上进行参数学习,得到体现各个节点相互依赖关系的贝叶斯网。实验结果表明,该方法可以有效学习贝叶斯网结构,训练得到的贝叶斯网络节点的后验概率与统计得到的条件概率相当接近,可以用于有效分析航班保障各作业环节之间的相关性。

摘要：为解决常旅客计划模型评价指标单一,不能准确识别高价值旅客的问题,提出一种将Map/Reduce并行处理与数据挖掘知识相结合的发现方法。利用Map/Reduce数据处理模型,在Hadoop分布式平台上并行处理海量PNR数据;根据改进的RFD模型,确定客户价值指标,利用AHP层次分析法将专家经验值量化为指标权重;利用聚类分析技术识别高价值旅客,采用真实的PNR数据集进行实验。实验结果表明,该方法能够有效识别民航高价值旅客,为航空公司做出有效决策提供有利依据。

摘要：针对目前航空公司旅客细分工作不够精细的问题,在分析传统RFM模型的基础上,提出一种TCSDG模型来描述旅客行为偏好。根据旅客的行为偏好对旅客进行细分,将具有相同行为偏好的旅客聚成一簇,为航空公司针对不同行为偏好的旅客提供个性化服务提供基础;结合Hadoop并行化计算平台,将算法并行化,以处理海量订票数据。在中国民航订座系统数据上的实验结果表明,该算法在保证细分结果的基础上提高了执行速度和处理能力,根据旅客行为偏好高效地将旅客分为不同的簇,使行为偏好相同的旅客聚成一簇。

摘要：鉴于机场噪声烦恼度模型的模糊规则量较大,采用传统的基于梯度的模糊神经学习算法存在计算量大、收敛速度慢、学习效率低的问题,提出一种基于模糊神经网络的机场噪声烦恼度模型混合学习方法。基于聚类思想,重新对模糊集合进行分组,采用先粗学习后细学习的间接学习方法;改进传统的基于梯度的模糊神经学习算法,将该算法应用到间接学习过程中,即混合学习方法。实验结果表明,该混合学习方法可以快速收敛,缩短学习时间,减少误差求解过程中的计算量,提高模型的学习效率。

摘要：基于服务质量(QoS)的Web服务组合是一个非线性、多目标优化求解问题,属于NP难问题。提出一种多目标粒子群优化算法来求解基于QoS的Web服务组合问题,在Web服务组合模型中考虑了服务执行代价、时间、可用性等五方面的因素。针对基于QoS的Web服务组合特点,借鉴运动学速度分解原理对粒子每维的速度进行相应分解,采用多目标指导粒子的飞行;基于Pareto支配关系来更新粒子的个体极值,采用精英归档技术维持种群多样性,粒子的全局极值由外部档案库中的非劣最优解提供;针对粒子群易陷入局部最优问题,采用了变异策略来改善。与基于遗传算法的Web服务组合算法相比,基于多目标粒子群优化的Web服务组合算法可以快速收敛,并获得综合QoS较好的解。

摘要：针对用最少的传感器节点覆盖感兴趣区域并确保传感器节点之间连通的最优化问题,提出了基于线性规划的传感器节点布局模型。该模型通过传递闭包计算连通性,将命题逻辑式转化为线性方程组,从而求得该模型的精确解。同时,设计了在不同网格规模下的全覆盖实验验证了该模型的正确性。该模型可以自行设定最大跳数、感兴趣区域和汇聚节点的位置,求得的精确解可作为传感器节点布局模型近似解的比较基准。