(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111227632.8 (22)申请日 2021.10.21 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 卢宾宾　焦洋　韩静茹　董锦涛　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 王琪 (51)Int.Cl. G06F 40/289(2020.01) G06F 40/216(2020.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习与规则匹配的民航事故 报告处理方法 (57)摘要 本发明涉及一种基于机器学习与规则匹配 的民航事故报告处理方法。 依据自然语 言处理的 方法对中文民用航空事故报告进行批量处理， 利 用机器学习分类器实现报告的自动分类， 采用基 于规则的方法对句子结构与内容进行分析， 并据 此实现事故原因的提取。 本发明实现了中文报告 的自动分类与原因提取， 避免了人为误差的引 入， 可以达 到更精确的效果， 也 提高了工作效率。 权利要求书2页 说明书8页 附图1页 CN 114004227 A 2022.02.01 CN 114004227 A 1.一种基于机器学习与规则匹配的民航事故报告处理方法， 其特征在于， 包括如下步 骤： 步骤1， 对民航事故报告数据进行 预处理， 筛选和规范用于处 理的报告； 步骤2， 对预处 理后的报告 进行中文分词、 词性识别， 并移除停用词； 步骤3， 选择tf ‑idf值高的词作为报告的文本特 征用于分类； 步骤4， 报告 文本向量 化， 构成可用于分类的数据集； 步骤5， 选择最佳分类 器对报告 文本进行分类， 得到事故类别； 步骤6， 建立原因识别规则， 用于提取事故原因。 2.如权利要求1所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤1中预 处理包含数据筛选和拼写标准化两步， 数据筛选根据报告内容是否对事 故发生的背景、 事故发生时飞行器的状态以及对事故的原因做出分析进行筛选， 若报告存 在以上内容， 则可作为事故原因提取 的数据； 拼写标准化是对事故报告中的错别字进行纠 正， 对缩写和同义词进行 标准化替换， 避免由于文本描述偏差而出现的特 征表示错误。 3.如权利要求2所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤2中通过分词对句子进行分割， 使其成为在当前语境下有独立意义的词； 为了 避免在分类时将一些复合专 业词汇分开， 还需要对文本内容进行分析构建民用航空领域的 专业词典； 中文分词后需进 行词性识别， 并建立专 业词汇对应的的词性表； 词性识别主要 是 对句内各词的词性进 行分析， 识别出的词性包括名词、 动词、 动名词、 动副词、 形容词、 副词、 量词、 代词、 连词、 介词、 助词， 词性识别结束后需要进 行停用词的移除， 停用词包括代词、 冠 词、 语气助词、 连接词和副词。 4.如权利要求3所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤3中选择可以最大化代表文本信息的词汇作为分类的依据， 可以达到更好的分 类效果； 特征选择可以实现数据的降维， 为了区分不同类别的文档， 作为特征的词汇在不同 类别的文本中的分布一定是不同的， 差异越大表示这个词对于分类越重要； 单个词汇的重 要性通过下式计算得到的tf ‑idf值进行衡量： 式中， xik为词汇i在类别k中的重要性度量， 即tf ‑idf值； fik为类别k的文档中词汇i出现 的频率； N为总的文档的数量； ni为所有包含词汇i的文档的数量， ni值越大， 则该词对于此种 文档的重要程度就越高； 将文本中词汇按照tf ‑idf值从大到小排序， 选择前M个构成词典作为该文本的特征用 于分类。 5.如权利要求4所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤4中将每个文本表示为与词典中词的个数等长的向量， 并根据文本中某个词出 现的次数为文本对应的数值向量赋值， 没有 出现的词对应的值为0， 构成可用于 分类的数据 集； 随后将数据集分离为训练集和测试集， 其中训练集用来对 备选的分类模型进 行训练， 测 试集用来对备选的分类模型的分类效果进行评估。 6.如权利要求5所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特权　利　要　求　书 1/2 页 2 CN 114004227 A 2征在于： 步骤5中分类器包括逻辑回归分类器、 线性支持向量分类器、 支持向量分类器、 随机 森林分类器、 梯度提升分类器与XGBoost分类器； 以分类器和特征词数为 自变量， 首先使用 训练集对多种分类器进行训练， 然后使用测试集比较各分类器的分类效果； 考虑到不同事 故类别间存在数据不平衡， 根据测试集中每类事故报告占总报告中的百分比对每一类报告 的指标F1进行加权， 得到WEIGHTED ‑F1作为分类 器的性能评价， 计算方式如下： 式中， k为事故报告的类别数， N为事故报告的总数， ni为第i类报告的数量， F1i为第i类 报告测试机分类结果的F1值， WEIGHTED ‑F1为加权后的F1值； F1的计算方式如下： 式中， Precision反映了被判定为该类中真正属于该类的比例， Recall反映了该类被识 别出来的数量与该类总数的比例， F1 ‑score则是综合了Precision和Recall， 保证两者均不 会太低； Precision和Recal l的计算方式如下： 式中： TP为每一类中正确分类的个数， FP为不属于此类但被错误识别的个数， FN为属于 本类但却被识别为 其他类的个数； 在确定分类 器与对应的最佳 特征词个数后， 通过网格搜索得到分类 器的最佳参数。 7.如权利要求6所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤6中将事故原因归为设备、 人员、 环境及组织四类， 四类中又包含多个具体原 因； 设备原因包括动力系统故障、 部件失效、 起落架及轮胎故障、 电气及 控制系统失效、 自动 驾驶失效与传感器故障、 通讯设备断开、 设计缺陷、 客舱设备故障； 环境原因包括鸟击、 跑道 湿滑、 低能见度及恶劣天气、 风切变、 机组人员失能或乘客身体不适、 外来物袭击、 特殊地 形； 人为原因包括 飞行员误判、 飞行员违反规定、 飞行员准备不 足、 驾驶舱资源管理不善、 飞 行员分心及疏忽、 地勤 人员操作失误、 人为原因导致的驾驶舱与空管沟通 失效； 组织原因包 括飞行程序不完 善、 对操作实 践监督不足、 员工安全培训不足。 8.如权利要求7所述的一种基于机器学习与规则匹配的民航事故报告处理方法， 其特 征在于： 步骤6中事故报告中的每一句话都可以看作由不同元素的组合， 根据日常描述习 惯， 基于同一段描述内不同类别词的出现情况设置识别规则： 对于环境原因仅需识别出相 关的环境关键词， 设备原因通常是直接描述， 而对于人为原因和组织原因的描述多为主语、 谓语与补语的组合； 在 对事故的描述中， 主语提供了 责任单位， 谓语表明了主语的某种动作 或某项决定， 补语做出了对谓语的评价， 判断此种行为是否是会 对事故的发生产生影响。权　利　要　求　书 2/2 页 3 CN 114004227 A 3