FenixEdu™

Dissertação

{pt_PT=Application of learning methods for predictive modelling with human factors in aviation industry} {} EVALUATED

Detalhes: {pt=A aviação teve aumentos de procura consideráveis nos últimos anos, tendo padrões de segurança bastante rigorosos, para mitigar o risco e prevenir falhas humanas. Porém, existe a necessidade de desenvolver modelos preditivos capazes de prever potenciais falhas ou situações de risco para melhorar procedimentos em termos de segurança. Logo, o objectivo desta dissertação é propor modelos capazes de prever se uma ocorrência foi fatal e a sua dimensão, tendo em conta informação relevante do voo e factores humanos que precederam o acidente. Para tal, foi retirada do repositório da Aviation Safety Network (ASN), uma organização especializada em matéria de ocorrências de aviação, 1105 relatórios entre 2007 e 2017. Correlações entre falhas humanas e as causas contributivas da ocorrência foram propostas através da estrutura de classificação de fatores humanos chamada Human Factors Analysis Classification System (HFACS), e a base de dados é adaptada para aplicações em machine learning. Para a modelação, são utilizados algoritmos de aprendizagem supervisionada como Random Forest (RF) e redes neuronais artificiais (ANN) e semi-supervisionada como Active Learning (AL). São utilizadas funções de optimização da estrutura dos algoritmos para melhorar a performance do modelo, sendo medida através de métricas como precisão, sensibilidade, eficácia e F1-score. O melhor modelo preditivo (Modelo 1), através do RF, conseguiu eficácia de 90%, macro F1-score de 87% e sensibilidade de 86%, enquanto ANN, por menor capacidade de prever acidentes fatais, teve piores resultados. Para o Modelo 2, apenas AL obteve resultados promissores após bastante treino devido a um universo de dados mais pequeno. , en=Aviation demands has increased over the years, and its safety standards are the most rigorous, by managing risk and preventing failures from human factors. However, there is more need to build models capable of predicting potential failures or risky situations in order to improve safety standards. The aim of this dissertation is to propose a model capable of predicting fatal occurrences and the degree of mortality, taking into account the human factors that contributed for the incident and information about the flight. The database was provided by the Aviation Safety Network (ASN), an organization which gathers reports about aviation occurrences, consisting of 1105 reports between 2007 and 2017. Correlations between leading causes of incident and the human element are proposed, thanks to the Human Factors Analysis Classification System (HFACS). A classification model system is proposed, with the database preprocessed for the use of machine learning techniques. For modelling, supervised learning algorithms Random Forest (RF) and Artifical Neural Networks (ANN) and semi-supervised learning Active Learning (AL) are considered. For optimizing their respective structure, optimization methods are applied for hyperparameter analysis to improve the model. The performance is measure with precision, recall, accuracy and F1 score. The best predictive model (Model 1), with use of RF, was able to achieve an accuracy of 90%, macro F1 87% and recall 86%, whereas ANN had worse results due to less ability for predicting fatal accidents. For Model 2, only AL had promising results after considerable training due to lower data sets. }
Keywords: {pt=segurança aviónica, modelos preditivos, fatores humanos, aprendizagem automática, en=aviation safety, predictive modelling, human factors, supervised learning, machine learning}

Discussão: outubro 1, 2021, 10:0