-
题名民航突发事件领域本体关系提取方法的研究
被引量：7
- 1
-
-
作者
王红
李晗
李浩飞
-
机构
中国民航大学计算机科学与技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2020年第2期285-293,共9页
-
基金
国家自然科学基金No.U1633110~~
-
文摘
针对民航突发事件领域本体关系抽取准确率低的问题,提出了一种结合注意力机制与双向门控循环单元(BiGRU)的关系抽取模型。首先查询预先训练的词向量矩阵,将文本中每个词语映射为向量表示;其次构建BiGRU,得到词语序列的上下文语义信息;然后在词语层面和句子层面分别引入注意力机制,为表达语义关系更重要的词语和句子分配更大的权重;最后进行模型的训练与优化。将该模型应用在民航突发事件领域本体的关系提取中,实验结果表明该模型相较于其他方法具有更好的提取效果,验证了该模型的有效性,为民航突发事件领域本体关系的自动获取提供了新的方法支持。
-
关键词
关系抽取
民航突发事件
注意力机制
门控循环单元(gru)模型
领域本体
-
Keywords
relation extraction
civil aviation emergency
attention mechanism
gated recurrent unit(gru)model
domain ontology
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于S2S-CNN-GRU的机场离港航班延误预测
- 2
-
-
作者
李善梅
周相志
-
机构
中国民航大学空中交通管理学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第8期93-100,共8页
-
基金
国家自然科学基金资助(78101215)
天津市自然科学基金资助(21JCZDJC00780)
+1 种基金
中央高校基本科研业务费专项资金资助(312202YY02,3122019129)
民航安全能力建设资金项目(SKZ49420220027)。
-
文摘
为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。
-
关键词
序列到序列(S2S)-卷积神经网络(CNN)-门控循环单元(gru)模型
离港航班
延误预测
神经网络
特征提取
-
Keywords
sequence to sequence(S2S)-convolutional neural network(CNN)-gate recurrent unit(gru)(S2S-CNN-gru)model
departure flight
delay prediction
neural network
feature extraction
-
分类号
X949
[环境科学与工程—安全科学]
V355.1
[航空宇航科学与技术—人机与环境工程]
-
