丁建立 王 曼

1(中國(guó)民航大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 天津 300300)2(中國(guó)民航信息科研基地 天津 300300)

?

基于關(guān)聯(lián)規(guī)則挖掘的航班協(xié)同保障數(shù)據(jù)知識(shí)發(fā)現(xiàn)研究

丁建立 王 曼*

1(中國(guó)民航大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 天津 300300)2(中國(guó)民航信息科研基地 天津 300300)

隨著我國(guó)民航業(yè)的迅猛發(fā)展，各大樞紐機(jī)場(chǎng)累積了海量的航班協(xié)同保障數(shù)據(jù)，挖掘其中潛在隱藏的知識(shí)具有重要意義。結(jié)合機(jī)場(chǎng)航班協(xié)同保障業(yè)務(wù)規(guī)則及航班協(xié)同保障數(shù)據(jù)的特征，利用關(guān)聯(lián)規(guī)則挖掘技術(shù)，挖掘隱藏在航班協(xié)同保障數(shù)據(jù)中的知識(shí)，進(jìn)而借助其優(yōu)化航班保障流程，提升機(jī)場(chǎng)服務(wù)保障質(zhì)量。通過實(shí)例驗(yàn)證，關(guān)聯(lián)規(guī)則算法能夠較好地發(fā)掘隱藏在航班協(xié)同保障數(shù)據(jù)中的潛在知識(shí)，將其應(yīng)用于實(shí)際中能夠?yàn)閮?yōu)化航班保障流程、提高航班準(zhǔn)點(diǎn)率、提升機(jī)場(chǎng)服務(wù)保障能力提供有效的支撐和決策依據(jù)。

航班保障數(shù)據(jù) 關(guān)聯(lián)規(guī)則 知識(shí)發(fā)現(xiàn) 航班準(zhǔn)點(diǎn)率

0 引 言

近年來，隨著我國(guó)民航業(yè)的迅猛發(fā)展，航班運(yùn)行協(xié)同決策CDM[1](Collaborative Decision Making)系統(tǒng)越來越廣泛地應(yīng)用于各大樞紐機(jī)場(chǎng)。與此同時(shí)，在航班運(yùn)行保障過程中會(huì)累積大量的航班運(yùn)行保障數(shù)據(jù)，如何科學(xué)合理地處理利用這些數(shù)據(jù)是擺在民航各部門面前的一道難題。因此，航班協(xié)同保障數(shù)據(jù)的知識(shí)發(fā)現(xiàn)研究具有重要意義，其不僅有助于航班保障流程的優(yōu)化、機(jī)場(chǎng)服務(wù)保障能力的提升，同時(shí)有助于我國(guó)民航業(yè)的可持續(xù)發(fā)展。

數(shù)據(jù)知識(shí)發(fā)現(xiàn)KDD(Knowledge Discovery in Database)，也叫數(shù)據(jù)挖掘，是從各種表示的數(shù)據(jù)信息中，根據(jù)不同的需求獲得知識(shí)。針對(duì)知識(shí)發(fā)現(xiàn)及其相關(guān)應(yīng)用問題，國(guó)內(nèi)外相關(guān)學(xué)者已開展了相關(guān)研究，并取得了一定的成果。Kumar S等人在文獻(xiàn)[2]中研究了將數(shù)據(jù)挖掘技術(shù)與螞蟻算法、遺傳算法相結(jié)合，挖掘分析生產(chǎn)調(diào)度過程中產(chǎn)生的大量數(shù)據(jù)，進(jìn)而優(yōu)化調(diào)度過程；Ni JC等人在文獻(xiàn)[3]中采用數(shù)據(jù)挖掘技術(shù)對(duì)產(chǎn)品制造業(yè)的數(shù)據(jù)進(jìn)行分析，提取系統(tǒng)中數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則，用于指導(dǎo)產(chǎn)品制造的調(diào)度過程；夏英等在文獻(xiàn)[4]中研究了智能交通系統(tǒng)中的時(shí)空數(shù)據(jù)挖掘分析，通過對(duì)時(shí)空數(shù)據(jù)進(jìn)行智能分析，獲取運(yùn)動(dòng)軌跡、交通流量、道路擁堵狀態(tài)等不同數(shù)據(jù)元素的時(shí)空相似性、時(shí)空相關(guān)性和時(shí)空關(guān)聯(lián)性，進(jìn)而進(jìn)行路網(wǎng)擁堵趨勢(shì)、短時(shí)交通流量預(yù)測(cè)等；王成龍等人在文獻(xiàn)[5]中研究了作業(yè)車間調(diào)度規(guī)則挖掘問題，基于決策樹的調(diào)度規(guī)則挖掘方法，提取調(diào)度方案中新的調(diào)度規(guī)則，指導(dǎo)作業(yè)車間調(diào)度過程。通過分析發(fā)現(xiàn)，基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘方法在民航及作業(yè)優(yōu)化調(diào)度領(lǐng)域具有較好的研究及應(yīng)用，因此，可以借助關(guān)聯(lián)規(guī)則挖掘方法，挖掘隱藏在海量歷史航班協(xié)同保障數(shù)據(jù)中的潛在的、有用的知識(shí)，進(jìn)而指導(dǎo)優(yōu)化航班保障流程。

通過分析航班保障流程[6]及航班協(xié)同保障數(shù)據(jù)的特征，本文利用Apriori算法，從大量的航班協(xié)同保障數(shù)據(jù)中發(fā)現(xiàn)航班保障各環(huán)節(jié)之間的關(guān)聯(lián)關(guān)系，進(jìn)而借助其優(yōu)化航班保障流程，提升航班放行正常率。

1 基本概念及理論

1.1 航班保障流程及航班協(xié)同保障數(shù)據(jù)的定義

航班保障工作復(fù)雜而繁瑣，每個(gè)保障環(huán)節(jié)都將會(huì)對(duì)航班是否能夠準(zhǔn)點(diǎn)起飛產(chǎn)生影響，且各關(guān)鍵環(huán)節(jié)之間相互關(guān)聯(lián)。分析各航班協(xié)同保障環(huán)節(jié)之間的復(fù)雜關(guān)系，有必要對(duì)航班協(xié)同保障屬性進(jìn)行定義。航班從準(zhǔn)備到起飛的整個(gè)保障過程中涉及到的各保障環(huán)節(jié)稱為航班協(xié)同保障屬性FCSA(Flight Collaborative Security Attribute)，其主要包括航班清潔屬性(CL)、航班加油屬性(FO)、航班配餐屬性(FD)、機(jī)務(wù)放行屬性(MA)、指揮上客屬性(LD)、關(guān)艙門屬性(CO)、撤輪檔屬性(BL)、航班滑行道滑行屬性(TA)和航班起飛屬性(TO)。

航班協(xié)同保障數(shù)據(jù)是指機(jī)場(chǎng)、空管、航空公司的信息集成系統(tǒng)對(duì)航班協(xié)同保障屬性的預(yù)計(jì)完成時(shí)間、實(shí)際完成時(shí)間及該航班運(yùn)行狀況的記錄。一般情況下，一條航班保障記錄數(shù)據(jù)可由十九元組P(FNO,CLTs,CLTa,FOTs,FOTa,FDTs,FDTa,MATs,

MATs,MATa,LDTs,LDTa,COTs,COTa,BLTs,BLTa,TATs,TATa,TOTs,TOTa)表示。

其中：FNO表示該條保障記錄數(shù)據(jù)所對(duì)應(yīng)航班的航班號(hào)，表1給出了航班保障記錄數(shù)據(jù)的說明。

表1 航班協(xié)同保障記錄數(shù)據(jù)說明表

航班協(xié)同保障屬性的取值用九元組M(δcl,δfo,δfd,δma,δld,δco,δbl,δta,δto)表示，針對(duì)航班保障屬性的各環(huán)節(jié)，若其實(shí)際完成時(shí)間>計(jì)劃完成時(shí)間，則對(duì)應(yīng)屬性取值為yes；否則，對(duì)應(yīng)屬性取值為no。即：

(1)

其中，i=(cl,fo,fd,ma,ld,co,bl,ta,to)

正常放行航班的定義：假設(shè)機(jī)場(chǎng)航班延誤標(biāo)準(zhǔn)為t，若TOTa>TOTs+t，則認(rèn)為航班FNO延誤；否則，認(rèn)為該航班正常放行。

1.2 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則[7]是表示數(shù)據(jù)的一組屬性之間某種關(guān)聯(lián)關(guān)系的規(guī)則，其數(shù)學(xué)模型描述如下：設(shè)I={i1,i2,i3,…,im}是m個(gè)不同屬性項(xiàng)的集合，數(shù)據(jù)集D是數(shù)據(jù)庫(kù)事務(wù)的集合，其中每個(gè)事務(wù)T是屬性項(xiàng)的集合，即T?I。關(guān)聯(lián)規(guī)則表示為蘊(yùn)涵式X?Y，其中X?I,Y?I,X∩Y=?。數(shù)據(jù)集D中的規(guī)則X?Y受支持度supp和置信度conf的約束。其中，支持度supp(X?Y)定義為D中事務(wù)包含X∪Y的百分比；置信度conf(X?Y)定義為D中包含X的事務(wù)同時(shí)也包含Y的百分比。

在實(shí)際研究中，滿足一定支持度和置信度的關(guān)聯(lián)規(guī)則才有意義[8]。為此定義兩個(gè)閾值，最小支持度minsupp和最小置信度minconf。如果supp(X?Y)≥minsupp,conf(X?Y)≥minconf則稱規(guī)則X?Y是成立的。關(guān)聯(lián)規(guī)則的挖掘就是在事務(wù)數(shù)據(jù)集D中找出滿足給定最小支持度和最小置信度的關(guān)聯(lián)規(guī)則。

2 基于關(guān)聯(lián)規(guī)則的航班協(xié)同保障數(shù)據(jù)挖掘算法

2.1 數(shù)據(jù)預(yù)處理

現(xiàn)實(shí)世界中的數(shù)據(jù)通常是有噪聲、不完全、不一致的，航班協(xié)同保障數(shù)據(jù)也不例外。例如工作人員誤錄入等操作，使得獲得的數(shù)據(jù)存在缺值、含有臟數(shù)據(jù)等問題。因此，在利用數(shù)據(jù)挖掘方法對(duì)其進(jìn)行挖掘之前有必要進(jìn)行數(shù)據(jù)清洗。

航班協(xié)同保障數(shù)據(jù)的各屬性為連續(xù)性數(shù)值，目前針對(duì)連續(xù)性數(shù)值數(shù)據(jù)的知識(shí)發(fā)現(xiàn)挖掘問題，大都首先借助數(shù)據(jù)歸約方法將連續(xù)性數(shù)值屬性離散化，然后再通過數(shù)據(jù)挖掘算法挖掘隱藏的知識(shí)。在此，本文采用預(yù)定義的概念分層方式對(duì)航班保障數(shù)據(jù)各屬性進(jìn)行離散化處理。數(shù)據(jù)預(yù)處理步驟如下：

(1) 針對(duì)航班保障數(shù)據(jù)存在數(shù)據(jù)缺失的問題，將無效的航班保障數(shù)據(jù)過濾清洗掉；

(2) 根據(jù)式(2)計(jì)算每條航班保障數(shù)據(jù)對(duì)應(yīng)時(shí)間段內(nèi)的航班放行正常率λ，用“正常率標(biāo)識(shí)”屬性(Level)標(biāo)識(shí)，Level表示該航班起飛時(shí)間所對(duì)應(yīng)時(shí)間段的放行正常率等級(jí)，Level取值為δle={Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ}。航班放行正常率等級(jí)如表2所示。

(2)

其中，Nr表示該航班起飛時(shí)間段內(nèi)放行正常航班數(shù)目，N表示該航班起飛時(shí)間段內(nèi)保障航班數(shù)目總量。

表2 航班放行正常率等級(jí)表

(3) 根據(jù)式(1)將原始航班保障記錄P轉(zhuǎn)化為航班協(xié)同保障屬性取值的元組M，數(shù)據(jù)預(yù)處理后，關(guān)聯(lián)規(guī)則挖掘的事務(wù)數(shù)據(jù)集如表3所示。

表3 航班協(xié)同保障事務(wù)數(shù)據(jù)集

2.2 關(guān)聯(lián)規(guī)則挖掘算法

在對(duì)航班協(xié)同保障數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘分析過程中，采用Apriori算法，通過掃描數(shù)據(jù)庫(kù)累積每個(gè)項(xiàng)的計(jì)數(shù)，采用逐層搜索的迭代方法收集滿足最小支持度的項(xiàng)，生成頻繁項(xiàng)集。一旦找出頻繁項(xiàng)集，便可直接產(chǎn)生滿足最小支持度和最小置信度的強(qiáng)關(guān)聯(lián)規(guī)則。

具體操作步驟如下：

步驟1取航班協(xié)同保障數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到關(guān)聯(lián)規(guī)則挖掘的航班協(xié)同保障事務(wù)數(shù)據(jù)集；

步驟2輸入所挖掘關(guān)聯(lián)規(guī)則的最小支持度minsupp和最小置信度minconf；

步驟3依次掃描航班協(xié)同保障事務(wù)數(shù)據(jù)集D，數(shù)據(jù)集共有r事務(wù)，對(duì)每個(gè)事務(wù)DTID(TID=1…r)的每個(gè)屬性取值項(xiàng)δcl[a]、δfo[a]、δfd[a]、δma[a]、δld[a]、δco[a]、δbl[a]、δta[a]、δto[a](a={yes,no})、δle[b](b={Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ})等出現(xiàn)次數(shù)進(jìn)行候選支持度計(jì)數(shù)，比較各項(xiàng)的支持度計(jì)數(shù)與最小支持度計(jì)數(shù)min_supp(min_supp=minsupp×r)，將候選支持度計(jì)數(shù)大于min_supp的取值項(xiàng)生成頻繁1項(xiàng)集L1；

步驟4對(duì)Lk-1(k≥2)進(jìn)行自身連接，產(chǎn)生候選項(xiàng)集Ck，再依次掃描航班協(xié)同保障事務(wù)數(shù)據(jù)集，對(duì)Ck項(xiàng)集的每個(gè)子集進(jìn)行候選支持度計(jì)數(shù)，與最小支持度計(jì)數(shù)比較后生成Lk，直至Ck=?；

步驟5輸出D下的頻繁項(xiàng)集Lk，由Lk生成滿足最小置信度minconf的關(guān)聯(lián)規(guī)則lk:Ak?Bk，其中Ak?S,Bk?S，Ak∩Bk=?，S={δcl[a],δfo[a],δfd[a],δma[a],δld[a],δco[a],δbl[a],δta[a],δto[a],δle[b]}。

3 實(shí)驗(yàn)結(jié)果分析及應(yīng)用舉例

3.1 實(shí)驗(yàn)結(jié)果與分析

選取國(guó)內(nèi)某樞紐機(jī)場(chǎng)2014年9月-12月的航班協(xié)同保障數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，并對(duì)保障數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，然后借助Apriori算法挖掘在樞紐機(jī)場(chǎng)不同協(xié)同狀況等級(jí)下各關(guān)鍵環(huán)節(jié)之間的關(guān)聯(lián)關(guān)系。同時(shí)選取該機(jī)場(chǎng)2015年某月的航班保障數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，用于驗(yàn)證所發(fā)現(xiàn)的關(guān)聯(lián)規(guī)則的有效性及魯棒性。其中，為了保證各保障環(huán)節(jié)之間關(guān)聯(lián)規(guī)則結(jié)果的客觀性，實(shí)驗(yàn)數(shù)據(jù)中不包括由于天氣或軍事活動(dòng)等客觀原因造成長(zhǎng)時(shí)間(3小時(shí)以上)延誤的航班數(shù)據(jù)。

實(shí)驗(yàn)參數(shù)設(shè)置如下：航班延誤標(biāo)準(zhǔn)t為30 min，最小支持度minsupp為0.4，最小置信度minconf為0.7，最大規(guī)則數(shù)20。實(shí)驗(yàn)結(jié)果：表4所示為所生成的置信度大于0.85的最大關(guān)聯(lián)規(guī)則集；圖1所示為驗(yàn)證數(shù)據(jù)集數(shù)量分別為500、2000、5000、10000條時(shí)，最大關(guān)聯(lián)規(guī)則集在數(shù)據(jù)集中的準(zhǔn)確率；圖2所示為調(diào)整最小支持度參數(shù)分別為0.1～0.7、最小置信度為0.75，在不同的最小支持度參數(shù)下得到的關(guān)聯(lián)規(guī)則數(shù)量對(duì)比圖。

表4 最大關(guān)聯(lián)規(guī)則集

圖1 關(guān)聯(lián)規(guī)則的魯棒性驗(yàn)證結(jié)果

從表4所示的關(guān)聯(lián)規(guī)則集可以看出，在航班協(xié)同保障數(shù)據(jù)集中存在一定量置信度較高的關(guān)聯(lián)規(guī)則知識(shí)，并且通過數(shù)據(jù)分析手段可以挖掘出這些知識(shí)。其中，規(guī)則1-規(guī)則5是航班協(xié)同保障屬性與航班放行正常率之間的關(guān)系：由規(guī)則1可知，在航班的關(guān)艙門、撤輪檔、滑行時(shí)間均正常的情況下，航班的正常放行率在80%～100%之間，為Ⅰ等級(jí)；由規(guī)則2可知當(dāng)航班放行正常率降為Ⅱ級(jí)(60%～80%)時(shí)，其主要原因是航班配餐及關(guān)艙門屬性沒有按計(jì)劃時(shí)間完成；而由規(guī)則3可知，當(dāng)航班清潔、配餐及指揮上客時(shí)間晚于計(jì)劃時(shí)間時(shí)，航班放行正常率在Ⅲ級(jí)(40%～60%)；同時(shí)，對(duì)比規(guī)則3和規(guī)則4可以發(fā)現(xiàn)，關(guān)艙門屬性是影響航班放行正常率的一個(gè)重要環(huán)節(jié)；由規(guī)則5可知，當(dāng)航班保障的各環(huán)節(jié)沒有按時(shí)完成時(shí)，航班放行正常率嚴(yán)重下降。另外，從規(guī)則6-規(guī)則8中可以發(fā)現(xiàn)，航班保障的某些屬性環(huán)節(jié)之間是會(huì)產(chǎn)生相互影響和制約的；由規(guī)則6可知，當(dāng)航班的清潔、配餐和機(jī)務(wù)放行能夠按時(shí)完成時(shí)，航班才能夠按時(shí)指揮上客；由規(guī)則7可知，當(dāng)指揮上客、關(guān)艙門和撤輪檔按計(jì)劃完成時(shí)，航班能夠按計(jì)劃起飛時(shí)間起飛，一般情況下不會(huì)延誤。

利用歷史航班運(yùn)行數(shù)據(jù)對(duì)所挖掘的關(guān)聯(lián)規(guī)則知識(shí)進(jìn)行魯棒性驗(yàn)證，從圖1中的結(jié)果可以看出，航班協(xié)同保障數(shù)據(jù)集中挖掘出的關(guān)聯(lián)規(guī)則在不同數(shù)量級(jí)驗(yàn)證數(shù)據(jù)中的準(zhǔn)確率較穩(wěn)定。規(guī)則1-規(guī)則8的最大準(zhǔn)確率和最小準(zhǔn)確率之間的差值分別為0.11、0.1、0.07、0.05、0.07、0.07、0.06、0.07，平均差值僅為0.067，說明關(guān)聯(lián)規(guī)則的魯棒性較好。另外，由圖2可以看出，航班協(xié)同保障數(shù)據(jù)中存在一定數(shù)量的關(guān)聯(lián)規(guī)則知識(shí)，即航班協(xié)同保障各環(huán)節(jié)之間及與航班放行正常率是有一定關(guān)聯(lián)關(guān)系的，隨著Apriori算法最小支持度設(shè)置的不同，可以獲取到一定數(shù)量的有價(jià)值的關(guān)聯(lián)規(guī)則知識(shí)。

圖2 不同支持度下的關(guān)聯(lián)規(guī)則結(jié)果數(shù)量

3.2 應(yīng)用舉例

基于關(guān)聯(lián)規(guī)則挖掘的知識(shí)發(fā)現(xiàn)技術(shù)在各行業(yè)領(lǐng)域都得到了廣泛的研究及應(yīng)用，包括網(wǎng)絡(luò)信息資源[9]的知識(shí)發(fā)現(xiàn)，醫(yī)療健康數(shù)據(jù)[10]、網(wǎng)絡(luò)用戶行為數(shù)據(jù)[11]、聲音數(shù)據(jù)[12]等等。通過關(guān)聯(lián)規(guī)則挖掘，在航班運(yùn)行保障數(shù)據(jù)中發(fā)現(xiàn)的航班保障與航班放行狀態(tài)的關(guān)聯(lián)規(guī)則知識(shí)，對(duì)于航班保障流程的優(yōu)化和航班準(zhǔn)點(diǎn)率的提高具有重要意義。例如，由規(guī)則1可以知道，當(dāng)航班的關(guān)艙門、撤輪檔、滑行時(shí)間均在計(jì)劃時(shí)間內(nèi)完成時(shí)，航班的放行正常率較高。同時(shí)，通過與規(guī)則2進(jìn)行對(duì)比可以發(fā)現(xiàn)，航班正常率的下降主要由于配餐準(zhǔn)備和關(guān)艙門沒有按時(shí)完成的影響，這就提示航班運(yùn)行保障部門對(duì)于配餐準(zhǔn)備環(huán)節(jié)的重視，在適當(dāng)?shù)臅r(shí)候應(yīng)該增加相應(yīng)的資源，確保該環(huán)節(jié)的保障完成情況，進(jìn)而提升保障效率。除此之外，結(jié)合規(guī)則6與規(guī)則7發(fā)現(xiàn)，當(dāng)航班的清潔、配餐和機(jī)務(wù)放行工作均正常地按時(shí)完成后，航班才能夠及時(shí)指揮上客，才能保證之后的按時(shí)撤輪檔、滑出及起飛。因此，在航班沒有完成配餐或機(jī)務(wù)放行工作前，航空公司應(yīng)該暫時(shí)推遲指揮旅客登機(jī)，這樣就能夠避免旅客登機(jī)完成后由于機(jī)組或機(jī)務(wù)原因?qū)е侣每驮陲w機(jī)上等待。

4 結(jié) 語

本文結(jié)合關(guān)聯(lián)規(guī)則的知識(shí)發(fā)現(xiàn)算法對(duì)CDM系統(tǒng)中大量的航班協(xié)同保障數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)航班保障環(huán)節(jié)的潛在規(guī)律，進(jìn)而緩解由于航班保障不當(dāng)?shù)纫蛩卦斐傻暮桨嘌诱`問題。實(shí)驗(yàn)證明，該方法可以準(zhǔn)確快速地挖掘出航班協(xié)同保障數(shù)據(jù)中大量有意義的規(guī)則，這些規(guī)則可以作為先驗(yàn)知識(shí)用來指導(dǎo)航班保障流程的優(yōu)化，具有一定的參考價(jià)值。由于條件局限，本文對(duì)數(shù)據(jù)進(jìn)行處理時(shí)尚未考慮機(jī)場(chǎng)繁忙與非繁忙時(shí)段差異性方面的知識(shí)發(fā)現(xiàn)，這有待進(jìn)一步研究。

[1] 閆然. 民航協(xié)同決策(CDM)概念及分析[J]. 中國(guó)科技術(shù)語, 2012,6(3):50-53.

[2] Kumar S, Rao C S P. Application of ant colony, genetic algorithm and data minging-based techniques for scheduling[J].Robotics and Computer-Integrated Manufacturing, 2009,25(6):901-908.

[3] Li L, Sun Z J, Ni J C, et al. Data-based scheduling framework and adaptive dispatching rule of complex manufacturing systems[J].The International Journal of Advanced Manufacturing Technology, 2013,66(9-12):1891-1905.

[4] 夏英. 智能交通系統(tǒng)中的時(shí)空數(shù)據(jù)分析關(guān)鍵技術(shù)研究[D]. 成都: 西南交通大學(xué),2012.

[5] 王成龍, 李誠(chéng), 馮毅萍,等.作業(yè)車間調(diào)度規(guī)則的挖掘方法研究[J]. 浙江大學(xué)學(xué)報(bào):工學(xué)版, 2015, 49(3):421-429.

[6] 張偉航. 航班運(yùn)行保障新模式——航班運(yùn)行協(xié)同決策系統(tǒng)核心理念介紹[J].科技資訊, 2014，25(18)：230-232.

[7] JiaWei Han, Micheline Kamber. Data Mining Concepts and Techniques[M].Beijing：China Machine Press, 2011.

[8] 王培吉,趙玉琳,呂劍峰.基于Apriori算法的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘研究[J]. 統(tǒng)計(jì)與決策, 2011(23):19-21.

[9] 葉麗莎, 王學(xué)東, 方婧. 網(wǎng)絡(luò)信息資源知識(shí)發(fā)現(xiàn)機(jī)理研究[J]. 現(xiàn)代情報(bào), 2014, 12(8):13-16.

[10] 劉洋, 張卓, 周清雷. 醫(yī)療健康數(shù)據(jù)的模糊粗糙集規(guī)則挖掘方法研究[J].計(jì)算機(jī)科學(xué), 2014,23(12):66-70.

[11] 丁麗. 基于Apriori算法的用戶行為數(shù)據(jù)挖掘研究[J]. 科技通報(bào), 2013,29(12):214-217.

[12] Usama Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth. The KDD process for extracting useful knowledge from volumes of data[J].Communications of the ACM,1996,39(11):27-34.

RESEARCH ON KNOWLEDGE DISCOVERY OF FLIGHT COOPERATIVE SECURITY DATA BASED ON ASSOCIATION RULE MINING

Ding Jianli Wang Man*

1(College of Computer Science and Technology，Civil Aviation University of China, Tianjin 300300,China)2(The Research Base of Civil Aviation Information Scientific of China, Tianjin 300300,China)

With the rapid development of civil aviation in our country, the major hub airports have accumulated massive flight cooperative security data, and it is of significant meaning to mine the potential hidden knowledge in them. Aiming at this issue, we combine the airport flight cooperative security business regulations with the features of flight cooperative security data, mined the knowledge hidden in flight cooperative security data by using association rule mining technology, and further got the help from the mined knowledge to optimise flight security process and to improve the quality of airport service support. It is verified trough example that the association rule algorithm can well mine the potential knowledge hidden in flight cooperative security data, and the application of it in practices can provide effective support and decision-making basis for optimising the flight security process, increasing the flight punctuality, and enhancing the capability of airport service support.

Flight security data Association rules Knowledge discovery Flight punctuality

2015-08-07。國(guó)家自然科學(xué)基金項(xiàng)目(60879015)；中國(guó)民航科技重大專項(xiàng)(MHRD201241)。丁建立，教授，主研領(lǐng)域：民航智能信息處理與航空物聯(lián)網(wǎng)。王曼，碩士生。

TP3

A

10.3969/j.issn.1000-386x.2016.11.005