基于聚类算法的飞机进近阶段风险点确认方法和系统与流程

1.本发明属于风险分析领域，具体涉及了一种基于聚类算法的飞机进近阶段风险点确认方法和系统。


背景技术：

2.随着机场投入运营使用带来的与建设初期构想的变化，中小机场容易出现导航设施不齐全，配置的人员难以满足机场任务变化的要求，且部分机场属于合用机场或高原/高高原等特殊机场，运行环境与常规机场相比更为复杂，使得中小机场和特殊机场的安全运行隐患较为突出。
3.现有的风险分析方法大部分是基于触发的安全事件，分析事件触发的原因，从而发现飞行员操作过程中的风险隐患，很少有对机场本身的航行规划进行分析。但是往往有些风险隐患没有触发安全事件，但飞行员在飞行中感觉操作难度相对较大，必须采取一些非常规手段才能平稳落地，即并未发生事故，但是对飞行员的操作带来了困难，若是处理不当则存在安全隐患。本发明就是要挖掘出这些非常规飞行操控，统计哪些机场进近操控难度较大，发现问题所在并对机场的航行规划作出调整。


技术实现要素：

4.为了解决现有技术中的上述问题，即现有技术仅通过已发生安全事故的航行资料对航行的风险进行分析难以获得航行阶段中的隐患的问题，本发明提供了一种基于聚类算法的飞机进近阶段风险点确认方法，所述方法包括：获取历史安全事件集和qar数据；基于所述历史安全事件集提取先兆指标；将所述先兆指标对应至qar数据中，形成风险监控项；抽取历史安全事件集中的风险监控项的数值，并转化为散点数据；将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像；基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点；基于非常规数据点的数量选取出关键机场；基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因，基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因。
5.在一些优选的实施方式中，所述基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因，具体包括：将航班号、飞机号、事发时间和起落机场信息关联到qar数据中，通过qar数据进行数值分析，并与同一机场其他起降任务qar数据比对获得风险致因。
6.在一些优选的实施方式中，所述方法还包括将风险致因进行展示的步骤，具体包括：根据机场导航数据库中的进近参数，通过地图显示进近航迹，根据qar数据监控项触发的经纬度信息在地图上显示标记点，分析标记点所在进近航迹，获得航迹风险致因。
7.在一些优选的实施方式中，所述抽取历史安全事件集中的风险监控项的数值，通过ags译码软件实现。
8.在一些优选的实施方式中，所述对所述标准化散点数据进行聚类，通过dbscan算法实现。
9.在一些优选的实施方式中，所述最大安全飞行数据点，为在聚类分布图像中的最大聚类簇中的坐标值（v
max
：height
max
）最大的点，v
max
表示起落架放下时刻最大空速，height
max
表示起落架放下时刻最大空速。
10.在一些优选的实施方式中，所述将聚类分布图像中的数据点划分出非常规数据点，具体包括：将在所述直角坐标系中，第一象限、第二象限和第四象限的数据点即为非常规数据点。
11.在一些优选的实施方式中，所述基于非常规数据点的数量选取出关键机场，具体包括：对于所述直角坐标系中的每个象限，分别统计非常规数据点的数量，根据所在象限的非常规数据点的数量有多至少将机场进行排序；选取排名在预设范围内的机场作为关键机场。
12.在一些优选的实施方式中，所述自然语言处理算法包括分词算法和tf-idf算法。
13.本发明的另一方面，提出了一种基于聚类算法的飞机进近阶段风险点确认系统，所述系统包括：数据获取模块、先兆指标确定模块、监控项确定模块、聚类模块、非常规数据点划分模块、关键机场选取模块和风险致因分析模块；所述数据获取模块，配置为获取历史安全事件集和qar数据；所述先兆指标确定模块，配置为基于所述历史安全事件集提取先兆指标；所述监控项确定模块，配置为将所述先兆指标对应至qar数据中，形成风险监控项；所述聚类模块，配置为抽取历史安全事件集中的风险监控项的数值，并转化为散点数据；将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像；所述非常规数据点划分模块，配置为基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点；所述关键机场选取模块，配置为基于非常规数据点的数量选取出关键机场；所述风险致因分析模块，配置为基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因，基于所述初步风险致因通过与同一机场其他起降任务qar数据比对获得风险致因。
14.本发明的有益效果：
（1）本发明基于聚类思想形成一种适用于飞行进近阶段风险分析的算法，通过划分最大聚类簇作为常规簇将存在潜在风险致因的数据划分为不同的类型，并根据非常规簇数据的数量对更可能存在潜在风险致因的机场的数据进行排查分析，提高了识别风险致因的准确性，并可发现潜在的风险致因。
附图说明
15.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：图1是本发明实施例中基于聚类算法的飞机进近阶段风险点确认方法的流程示意图；图2是本发明实施例中进行机场风险分析的原理流程图；图3是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的标准化散点示意图；图4是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的聚类分布图像；图5是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的划分非常规数据点的效果示意图；图6是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的第一象限的各机场统计排序图；图7是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的第二象限的各机场统计排序图；图8是本发明实施例中以起落架放下时刻高度和空速作为风险监控项的第四象限的各机场统计排序图；图9是本发明实施例中针对飞机高度、速度和航向进行风险致因分析的原理示意图；图10是本发明实施例中通过地图显示进近航迹分析风险致因的效果示意图；图11是本发明实施例中通过机场航图进行风险致因分析的效果示意图。
具体实施方式
16.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
17.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
18.为了更清晰地对本发明基于聚类算法的飞机进近阶段风险点确认方法进行说明，下面结合图1和图2对本发明实施例中各步骤展开详述。
19.本发明第一实施例的基于聚类算法的飞机进近阶段风险点确认方法，包括步骤s100-步骤s800，各步骤详细描述如下：步骤s100，获取历史安全事件集和qar数据。
20.快速存取记录器qar（quick access recorder），是一种机载飞行数据记录仪，设计目的是提供快速、方便的方式访问原始飞行数据.qar从飞行数据采集单元（fdau）接收输入，记录超过2000项飞行参数。
21.本实施例中，通过ags系统抽取qar数据中，飞机进近阶段的操控参数和飞行特征。
22.步骤s200，基于所述历史安全事件集提取先兆指标。
23.所述先兆指标，为根据经验抽取的过程数据。
24.步骤s300，将所述先兆指标对应至qar数据中，形成风险监控项。可根据风险监控项单独设置监控程序，监控程序包括设定监控时刻、监控参数和监控逻辑，针对性地提取各个阶段的飞行器仪表参数，监控程序的设置如表1所示：表1监控程序设置
25.步骤s400，抽取历史安全事件集中的风险监控项的数值，并转化为散点数据。在本实施例中，通过ags译码软件实现，导出该航段的qar数据保存为csv文件格式。
26.从各个机场的各个飞机的历史安全数据中提取风险监控项的数值，如表2所示：表2各个机场的风险监控项的数值
27.在采集数据之后，还包括对数据进行清洗的步骤，剔除由于数据质量导致的奇异值，例如机场或跑道参数为空，速度和高度值为-9999等；本实施例研究复飞事件的潜在风险致因与进近阶段的关系，以起落架放下时刻的高度和空速为例。
28.步骤s500，将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像。在本实施例中，通过dbscan算法实现，设置eps为0.05，minpoints设置为1。
29.将起落架放下时刻的高度和空速抽取并标准化获得的标准化散点数据如图3所示，在图3中横坐标为下降时刻速度，单位为节，纵坐标为高度，单位为英尺；对标准化散点数据进行聚类获得的聚类分布图像如图4所示，可见，在图4中形成了各个聚类簇，分别表示在进近阶段中起落架放下的时刻、速度的不同类型。
30.步骤s600，基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点。在本实施例中，最大聚类簇表示出现的最多的航行状况，本方案目的在于寻找潜藏的风险致因，将最大聚类簇的数据认定为正常航行的航班航迹，没有被安全隐患影响。
31.在本实施例中，所述最大安全飞行数据点，为在聚类分布图像中的最大聚类簇中的坐标值（v
max
：height
max
）最大的点，v
max
表示起落架放下时刻最大空速，height
max
表示起落架放下时刻最大空速。所述将聚类分布图像中的数据点划分出非常规数据点，具体包括：将在所述直角坐标系中，第一象限、第二象限和第四象限的数据点即为非常规数据点。
32.以图5为例，将最大聚类簇最右上角的点作为原点，将聚类分布图中的所有数据点划分为四个象限；其中，第一象限的数据点表示起落架放下时刻的高度和空速均高于常规
值，第二象限的数据点表示起落架放下时刻的高度高于常规值而空速处于常规值，第四象限的数据点表示起落架放下时刻的高度处于常规值而空速高于常规值。
33.步骤s700，基于非常规数据点的数量选取出关键机场。具体包括：所述基于非常规数据点的数量选取出关键机场，具体包括：对于所述直角坐标系中的每个象限，分别统计非常规数据点的数量，根据所在象限的非常规数据点的数量有多至少将机场进行排序；选取排名在预设范围内的机场作为关键机场。如图6、图7和图8所示，图6为根据处于第一象限的数据点数量对各个机场进行排序，图7为根据第四象限的数据点数量对各个机场进行排序，图8为根据第二象限的数据点数量对各个机场进行排序。本实施例可以选择排名为前n名的机场作为关键机场，或者选择数据点数量出现断层的机场作为关键机场，或根据数据点占所在机场总降落次数的比值重新排序选取前n名的机场作为关键机场。
34.选取关键机场的方式还包括：分别为第一象限的数据点数量、第二象限的数据点数量和第四象限的数据点数量赋予权重系数，计算潜在风险分值s：
35.其中，、和分别表示第一象限的数据点的权重系数、第二象限的数据点的权重系数和第四象限的数据点的权重系数，、和分别为某机场的处于第一象限的数据点数量、处于第二象限的数据点数量和处于第四象限的数据点数量；统计每个机场出现的非常规数据点的总数量，选取总数量排名至少前2n的机场，计算每个被选取出的机场的非常规数据点最多的象限中的数据点数量与非常规数据点第二多的数据点数量的第一差值，和非常规数据点最多的数据点数量与非常规数据点最少的数据点数量的第二插值；统计每个机场的出现的潜在风险分值s、第一差值和第二差值，将潜在风险分值s排名前n名、第一差值小于预设的差距阈值或第二差值小于预设的差距阈值的机场设置为关键机场。
36.本实施例通过将所有的qar数据转化为常规数据点和非常规数据点，并通过直角坐标系的方式对非常规数据点的类型进行了划分，不同的象限的数据点指示可能存在不同的风险致因，若是某个机场在某一象限上的非常规数据点数量排名靠前指示该机场可能存在某一类别的风险致因即隐患，将其选为关键机场并指导后续进一步分析；通过划分不同象限的方式将对数据点进行划分，能够将风险的类型划分为不同的类别，其中放下起落架时刻的高度和空速均大于常规值的类别最为需要重视，对赋予较大的数值，但是仅有高度或空速中的一种高于常规值时，如果出现次数较多风险隐患不可忽略，赋予和，当风险分值s排名靠前时，说明对应机场可能存在较严重的风险致因；可能存在某些机场每种类别的非常规数据均排名靠后但各个类型的风险均不少的情况，因此根据非常规数据点的总数量进行排名选取较大范围的前2n名进行观察，选出的至少前2n名机场本身出现非常规飞行的数量已值得留意，若第一差值或第二差值过小，则指示对应的机场可能存不止一处的风险致因，以指导后续的风险致因分析。
37.步骤s800，基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场
的初步风险致因，基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因。所述自然语言处理算法包括分词算法和tf-idf算法。本发明通过聚类的方式能够针对所有的监控项逐一检查是否存在风险致因的可能，并整理出存在相同情况的机场数据，对于各种潜在的风险致因可以相互印证，提高风险点确认的准确性，并提高了锁定风险致因在整个航段的精确位置。
38.在本实施例中，所述基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因，具体包括：将航班号、飞机号、事发时间和起落机场信息关联到qar数据中，通过qar数据进行数值分析，并与同一机场其他起降任务qar数据比对获得风险致因。本实施例中，自然语言处理算法可通过关键词提取的方式对整个航行阶段的具体参数进行风险致因分析，表3为本实施例采用的关键词提取表；表3 关键词提取表
39.对于进近阶段，还包括对faf点参数进行提取，表4为faf点参数的示例；表4 faf点参数
40.本发明的第二实施例提出一种将风险致因进行展示的步骤，具体包括：如步骤s100至步骤s800所述的风险点确认方法，获取风险致因。
41.根据机场导航数据库中的进近参数，通过地图显示进近航迹，根据qar数据监控项触发的经纬度信息在地图上显示标记点，分析标记点所在进近航迹，获得航迹风险致因。
42.以2017年6月14日，a320-220飞机执行青岛-无锡航班为例，11:30，在无锡机场03r跑道目视进近过程中，因四转弯进入较晚，飞机转向五边后不能达到稳定标准，故于场高368英尺加油门复飞，随后再次加入03r跑道目视进近程序，于11：40正常落地。
43.根据建立稳定形态的要求，飞机达到1000英尺高度之前应建立稳定形态，包括起落架放下和襟翼伸出，而部分特殊机场，如a320-220飞机执行青岛-无锡航班阐述的复飞事件；由于飞行程序比较紧凑，飞行员工作负荷较大，则容易产生不稳定进近，从而复飞。因此部分飞行员采用了提前放起落架的方式，更早的建立稳定形态，这种操纵就是本课题研究的非常规操纵。可整理为监控项目。
44.采集同为a320机型的下降阶段起落架放下时刻的高度和速度，导出这些航段的
qar数据保存为csv文件格式。对数据进行清洗，剔除由于数据质量导致的奇异值，例如机场或跑道参数为空， 速度和高度值为-9999等。
45.将整理好的样本数据中起落架放下时刻的高度和速度作为特征向量，进行可视化生成散点数据，其中横坐标为速度，单位为节，纵坐标为高度，单位为英尺。
46.进行标准化后通过dbscan算法进行常规数据和非常规数据的区分，分别对四个象限进行统计并对出现相同情况的机场进行排名。
47.本实施例选取排名第一的无锡硕放机场作为关键机场，提取其qar数据和安全信息，进行分析。
48.从航安网上获取硕放机场目视进近复飞事件，利用分词算法和tf-idf进行关键词提取，如表3，发现可以发现关键词表示5边、高度、偏高、稳定等字眼，进而解释为5边高度偏高，航向不稳。
49.分析硕放机场5边对准时刻的飞机高度、速度和航向，即faf（wx903）点时的参数，分析发现a320机型发生复飞事件的航班在faf点存在离群情况，如图9所示，在图9的圆圈中，1个航班能力偏大，3个航班航向明显偏高，导致不能建立稳定形态，产生衍生风险。
50.根据航路点基础信息表、进场数据库、进近数据库中记录的经纬度确定航迹，根据进场和进近数据库，可以获取着陆航路点顺序为esbag-》sasan-》wx912-》wx911-》wx903-》机场03跑道，根据每个航路点的经纬度信息，在地图上打点连线显示，如图10所示，包括了航班着陆航线，三角形点标记为发生复飞事件的航班起落架放下时刻；正常着陆航班起落架放下时刻的位置标记为圆点；与图11的机场航图比对，可以看出三角形点放起落架时刻较晚，圆点提前放下了起落架，与图6反映的起落架放下时刻高速度、高高度相匹配。确定起落架放下时刻不当存在安全隐患。
51.上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
52.本发明的第三实施例，提出一种基于聚类算法的飞机进近阶段风险点确认系统，数据获取模块、先兆指标确定模块、监控项确定模块、聚类模块、非常规数据点划分模块、关键机场选取模块和风险致因分析模块；所述数据获取模块，配置为获取历史安全事件集和qar数据；所述先兆指标确定模块，配置为基于所述历史安全事件集提取先兆指标；所述监控项确定模块，配置为将所述先兆指标对应至qar数据中，形成风险监控项；所述聚类模块，配置为抽取历史安全事件集中的风险监控项的数值，并转化为散点数据；将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像；所述非常规数据点划分模块，配置为基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点；所述关键机场选取模块，配置为基于非常规数据点的数量选取出关键机场；
所述风险致因分析模块，配置为基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因，基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因。
53.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
54.需要说明的是，上述实施例提供的基于聚类算法的飞机进近阶段风险点确认系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
55.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
56.本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
57.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
58.术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
59.术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
60.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些
更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述方法包括：获取历史安全事件集和qar数据；基于所述历史安全事件集提取先兆指标；将所述先兆指标对应至qar数据中，形成风险监控项；抽取历史安全事件集中的风险监控项的数值，并转化为散点数据；将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像；基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点；基于非常规数据点的数量选取出关键机场；基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因，基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因。2.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因，具体包括：将航班号、飞机号、事发时间和起落机场信息关联到qar数据中，通过qar数据进行数值分析，并与同一机场其他起降任务qar数据比对获得风险致因。3.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述方法还包括将风险致因进行展示的步骤，具体包括：根据机场导航数据库中的进近参数，通过地图显示进近航迹，根据qar数据监控项触发的经纬度信息在地图上显示标记点，分析标记点所在进近航迹，获得航迹风险致因。4.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述抽取历史安全事件集中的风险监控项的数值，通过ags译码软件实现。5.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述对所述标准化散点数据进行聚类，通过dbscan算法实现。6.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述最大安全飞行数据点，为在聚类分布图像中的最大聚类簇中的坐标值（v
max
：height
max
）最大的点，v
max
表示起落架放下时刻最大空速，height
max
表示起落架放下时刻最大空速。7.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述将聚类分布图像中的数据点划分出非常规数据点，具体包括：将在所述直角坐标系中，第一象限、第二象限和第四象限的数据点即为非常规数据点。8.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述基于非常规数据点的数量选取出关键机场，具体包括：对于所述直角坐标系中的每个象限，分别统计非常规数据点的数量，根据所在象限的非常规数据点的数量有多至少将机场进行排序；选取排名在预设范围内的机场作为关键机场。9.根据权利要求1所述的基于聚类算法的飞机进近阶段风险点确认方法，其特征在于，所述自然语言处理算法包括分词算法和tf-idf算法。
10.一种基于聚类算法的飞机进近阶段风险点确认系统，其特征在于，所述系统包括：数据获取模块、先兆指标确定模块、监控项确定模块、聚类模块、非常规数据点划分模块、关键机场选取模块和风险致因分析模块；所述数据获取模块，配置为获取历史安全事件集和qar数据；所述先兆指标确定模块，配置为基于所述历史安全事件集提取先兆指标；所述监控项确定模块，配置为将所述先兆指标对应至qar数据中，形成风险监控项；所述聚类模块，配置为抽取历史安全事件集中的风险监控项的数值，并转化为散点数据；将所述散点数据进行标准化处理获得标准化散点数据，对所述标准化散点数据进行聚类，获得聚类分布图像；所述非常规数据点划分模块，配置为基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系，基于所述直角坐标系，将聚类分布图像中的数据点划分出非常规数据点；所述关键机场选取模块，配置为基于非常规数据点的数量选取出关键机场；所述风险致因分析模块，配置为基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因，基于所述初步风险致因通过qar数值分析和与同一机场其他起降任务qar数据比对获得风险致因。

技术总结
本发明属于风险分析领域，具体涉及了一种基于聚类算法的飞机进近阶段风险点确认方法和系统，旨在解决技术仅通过已发生安全事故的航行资料对航行的风险进行分析难以获得航行阶段中的隐患的问题。本发明包括：基于所述历史安全事件集提取先兆指标，形成风险监控项；抽取历史安全事件集中的风险监控项的数值并进行聚类，获得聚类分布图像；基于聚类分布图像中的最大聚类簇的最大安全飞行数据点建立平面直角坐标系进而划分出非常规数据点；基于非常规数据点的数量选取出关键机场；基于关键机场的历史安全数据，通过自然语言处理算法获取关键机场的初步风险致因。本发明通过划分非常规簇数据，进而能够排查出可能存在的风险致因，提高风险点确认准确性。提高风险点确认准确性。提高风险点确认准确性。


技术研发人员：韩静茹 焦洋 陈艳秋 孙华波 江书芳
受保护的技术使用者：中国民航科学技术研究院
技术研发日：2023.06.12
技术公布日：2023/7/12