对无人机操作员不安全行为的风险预警:使用人类因素分析和分类系统和随机森林的预测模型

科学领域:

• 航空安全航空安全
• 人类因素工程 人类因素工程
• 航空领域的人工智能

背景情况:

• 无人驾驶飞行器 (UAV) 事件越来越令人担忧.
• 预测操作员不安全行为对于预防至关重要,但缺乏专门的研究.
• 预测不安全行为的现有方法往往不准确.

研究的目的:

• 开发一种精确有效的混合模型,用于预测无人机操作员的不安全行为.
• 确定导致无人机操作员错误的关键风险因素.
• 为无人机相关事件建立预警系统.

主要方法:

• 开发了一个改进的人类因素分析和分类系统 (HFACS) 框架.
• 使用自适应合成采样算法 (ADASYN) 来解决数据不平衡.
• 使用随机森林 (RF) 模型进行风险预测和因素识别.

主要成果:

• 确定了33个风险因素,包括环境,行业,监督和运营商国家的影响.
• 射频模型在ADASYN应用后显示出显著的性能改善.
• 确定了关键的风险因素:安全意识薄弱,未经授权的飞行,缺乏法律意识,监督不足和障碍.

结论:

• 混合HFACS-RF模型提供了一个强大的方法来预测无人机操作员的不安全行为.
• 了解已识别的风险因素对于制定有针对性的安全干预措施至关重要.
• 调查结果可以为减轻无人机事故和提高运营安全的政策提供信息.