基于WOA-GRU的民航风切变风险预测模型

王占海; 陈奇; 吴涛; 张楠; 曹大树

doi:10.12404/j.issn.1671-1815.2501159

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :395-401 DOI: 10.12404/j.issn.1671-1815.2501159

航空、航天

基于WOA-GRU的民航风切变风险预测模型

作者信息 +

Civil Aviation Wind Shear Risk Prediction Model Based on WOA-GRU

Author information +

文章历史 +

摘要

为提高民航风切变风险预测模型的预测性能,提升其适用性和预测精度,提出一种引入约束动态调整策略的鲸鱼算法(whale optimization algorithm,WOA)优化门控循环单元(gated recurrent unit,GRU)的民航风切变风险预测模型。首先,基于民航不安全事件数据,构建了风切变风险指标体系并提出了月平均风险指标量化计算方法,为风切变风险预测提供了标准化输入;其次,针对传统WOA优化高维参数易陷入局部最优或搜索效率低的问题,引入超参数敏感性因子,使模型更快逼近全局最优解;再次,利用WOA全局搜索和GRU时序特征提取的优势,构建了WOA-GRU组合模型并应用到民航风切变风险预测领域。结果表明:WOA-GRU相比于反向传播(back propagation,BP)神经网络、卷积神经网络(convolutional neural networks,CNN)模型,均方误差(mean square error,MSE)分别降低了65.45%、74.91%,平均绝对误差(mean absolute error,MAE)分别降低了64.66%、65.85%,模型预测精度性能优于其他比照模型。所提模型较好地拟合了月风切变风险的历史序列,在风切变风险预测预警方面展现出更高的准确率和可靠性。

Abstract

To improve the predictive performance, applicability, and accuracy of the civil aviation wind shear risk prediction model, a whale optimization algorithm (WOA) with dynamic adjustment strategy and constraints was proposed to optimize the gated recurrent unit (GRU) of the civil aviation wind shear risk prediction model. Firstly, based on the data of civil aviation unsafe incidents, a wind shear risk index system was constructed and a quantitative calculation method for monthly average risk index was proposed, providing standardized input for wind shear risk prediction. Secondly, to address the problem of traditional WOA optimization of high-dimensional parameters being prone to local optima or low search efficiency, a hyperparameter sensitivity factor was introduced to make the model approach the global optimal solution faster. Thirdly, utilizing the advantages of WOA global search and GRU temporal feature extraction, a WOA-GRU combination model was constructed and applied to the field of civil aviation wind shear risk prediction. The results show that compared with back propagation(BP) neural network and convolutional neural network (CNN) models, WOA-GRU reduces mean square error (MSE) by 65.45% and 74.91%, respectively, and reduces mean absolute error (MAE) by 64.66% and 65.85%, respectively. The prediction accuracy performance of the model is better than other reference models. The model fits the historical sequence of monthly wind shear risk well, demonstrating higher accuracy and reliability in wind shear risk prediction and warning.

Graphical abstract

关键词

门控循环单元 / 鲸鱼优化算法 / 时间序列预测 / 风切变 / 风险预测

Key words

gated recurrent unit / whale optimization algorithm / time series prediction / wind shear / risk prediction

引用本文

引用格式 ▾

王占海, 陈奇, 吴涛, 张楠, 曹大树. 基于WOA-GRU的民航风切变风险预测模型[J]. 科学技术与工程, 2026, 26(1): 395-401 DOI:10.12404/j.issn.1671-1815.2501159

WANG Zhan-hai, CHEN Qi, WU Tao, ZHANG Nan, CAO Da-shu. Civil Aviation Wind Shear Risk Prediction Model Based on WOA-GRU[J]. Science Technology and Engineering, 2026, 26(1): 395-401 DOI:10.12404/j.issn.1671-1815.2501159

登录浏览全文

4963

注册一个新账户忘记密码

风切变是指在短距离内风速或风向发生急剧变化的现象,在飞机起降过程中风切变会给飞行安全带来巨大风险。因此,开展风切变风险预测研究,了解风切变风险演变规律,对于有效预防风切变不安全事件具有重要意义。

风切变风险的预测除考虑季节等时序特征外,还需要考虑复杂的非线性动态特征和不稳定的大气条件^[1-2],在寻找各数据之间的耦合关系以及风切变风险规律方面一直存在着一定困难。近年来,随着深度学习技术在预测领域的广泛应用,深度学习为风切变风险预测提供了新的解决方案^[3]。门控循环单元(gated recurrent unit,GRU)因其在捕捉非线性特点和时序特征方面表现出色,同时GRU具有更简单的结构和更高的计算效率,被广泛应用于风切变和气象数据预测等领域^[4-5]。Chung等^[3]通过实验证明了GRU在序列建模中的优势,尤其是在处理长序列数据时的优异表现。然而,GRU模型性能很大程度上依赖于超参数的设置,如学习率、隐藏层神经元数量和批处理大小等参数,传统的手动调参方法效率低下,且难以找到最优解^[6]。随着动物启发优化算法的成熟,这些模拟动物自然行为的算法可以通过较少的参数设置实现高效的全局搜索^[7],林买金等^[8]针对GRU超参数优化难题,构建了基于卷积神经网络(convolutional neural networks,CNN)、GRU和麻雀搜索算法(sparrow search algorithm, SSA)的组合模型(CNN-GRU-SSA),并在实际PM_2.5浓度预测中应用,结果显示组合模型预测精度相较传统预测方法有明显提高。贾现广等^[9]针对共享单车需求预测中时空特征提取不足及预测精度有限的问题,提出一种结合三维卷积与门控循环单元的深度学习模型,该模型实现了对共享单车出入流量的高精度预测。Mirjalili等^[1]提出了鲸鱼优化算法(whale optimization algorithm,WOA),WOA可以模拟鲸鱼捕猎行为进行全局搜索,在处理非线性数据时具有出色的性能。Zhou等^[10]尝试使用优化算法来自动调整GRU模型的超参数配置,将WOA与GRU结合,成功应用于复杂气象数据的预测,有效提升了模型性能。Sun等^[11]提出了一种结合WOA和GRU的混合模型,验证了其在复杂时间序列预测中的性能优势。寇敏等^[12]提出一种基于WOA优化GRU的短时交通流预测模型(WOA-GRU),模型考虑天气环境变化对交通流运行状态的影响,并通过皮尔逊相关系数对其相关程度进行量化,对模型输入特征指标进行筛选,结果表明WOA-GRU预测模型比传统GRU模型预测拟合度有一定幅度提高。现有研究验证了WOA-GRU在风切变预测中的应用潜力,但也存在参数搜索空间波动大、适应性不足等问题。

综上所述,现提出一种基于WOA-GRU的风切变风险预测模型。模型充分应用WOA强大的全局搜索能力,以及GRU捕捉较长时间周期内小样本数据时序特征的优势,完成模型的超参数优化。同时,在WOA中引入动态调整策略,在模型训练过程中实时反馈,自适应地调整参数搜索空间。通过构建WOA-GRU模型,以期弥补现有研究存在的不足,进一步提升模型在风切变风险预测方面的预测精度、收敛速度和稳定性。

1 风切变风险量化方法

1.1 风切变风险量化指标体系构建

风切变事件发生后,事件等级、事件原因、地理信息3个因素是民航安全信息网(https://safety.caac.gov.cn)收集事件的关键要素内容,也是民航业内衡量风切变事件风险严重与否的主要指标^[13]。风切变风险可以通过获取飞机一定历史时间周期内发生的风切变事件,通过对风切变事件的3个主要因素,即:事件等级、事件原因、地理信息,进行赋风险系数和打分的方法来对民航风险进行量化,从而确定风切变风险的大小和波动趋势。鉴于此,首先构建风切变风险指标体系,如图1所示。

1.2 风切变风险量化算法

风切变风险主要与事件等级、事件原因、事发点地理信息三大因素有关,这三大因素的具体数量均可通过统计得出。每一起风切变事件的等级、原因、事发点地理信息不同,则风险严重程度不同,参考“海恩法则”倒数法来确定各因素的风险权重。“海恩法则”表明在1起重大事故下有29起征候,而且在其下面还有300起征候苗头(一般事件)。应用“海恩法则”倒数法,确定“事故、征候、一般事件”的基本风险权重,即一般事件基本风险权重为1,征候基本风险权重为10.34,事故基本风险权重为300。同时,事件原因、事发点地理信息的风险系数通过德尔菲法确定,即通过民航行业内飞行、空管、运控、安全管理、机场等专业专家分别对事发原因、事发高度、机场海拔进行赋风险系数,通过整理、归纳、统计和征求意见,最终迭代形成关于权重数值的一致意见^[14]。德尔菲法确定的部分风切变事件风险系数情况如图1所示。

在对事件等级、事件原因、地理信息3个风险主要影响因素合理赋风险系数基础上,以风切变月平均风险作为监控指标来衡量和预测风险情况,风切变月平均风险就是每月单位飞行时间内风切变事件的事件等级、事件原因、地理信息数量与风险系数乘积的总和。月平均风险计算公式为

(1)${R}_{\mathrm{m}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{h}}=\frac{100000}{T}(Aa+Bb+Cc+Dd+Ee+Ff+Gg+Hh+Ii+Jj)$

式(1)中:R_month为风切变月平均风险;A为事件类型数量,起;a为事件类型风险系数;B为事故数量,起;b为事故风险系数;C为事故原因数量,起;c为事故原因风险系数;D为事故地理信息数量,起;d为事故地理信息风险系数;E为征候数量;e为征候风险系数;F为征候原因数量,起;f为征候原因风险系数;G为征候地理信息数量,起;g为征候地理信息风险系数;H为事件数量,起;h为事件风险系数;I为事件原因数量,起;i为事件原因风险系数;J为事件地理信息数量,起;j为事件地理信息风险系数;T为月飞行时间,h。

1.3 历史风切变风险量化结果

对2017年1月—2024年12月中国民航发生的风切变事件进行统计,信息来源于航空安全信息网(https://safety.caac.gov.cn/),共包含5 279次风切变事件,通过1.2节方法计算得到96个月的风切变月平均风险,如表1所示。

2 基于WOA-GRU的风切变风险预测模型

GRU模型是一种递归神经网络(recurrent neural network,RNN)的改进结构,通过引入重置门(reset gate)和更新门(update gate)来处理传统RNN中的梯度消失问题,在数据建模中具有良好的灵活性。WOA通过模拟座头鲸的捕猎行为来实现全局搜索,具有显著的全局搜索和跳出局部最优的能力。

2.1 设定适应度值

在GRU和WOA结合过程中需设定模型的优化目标,即适应度值,在此将均方误差(mean square error,MSE)损失函数确定为模型的适应度值。对于每组超参数组合,WOA通过迭代更新以最小化损失函数。损失函数^[15]定义为

(2)$\mathrm{M}\mathrm{S}\mathrm{E}=\frac{1}{N}\stackrel{N}{\sum _{i=1}}({y}_{i}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}$

式(2)中:y_i为实际值;${\hat{\mathrm{y}}}_{\mathrm{i}}$为预测值;N为样本数。WOA的目标是通过超参数的优化最小化该损失函数,从而提高GRU模型的预测精度。

假设GRU模型的超参数组合定义为

(3)X={a,n_h,B}

式(3)中:a为学习率;n_h为隐藏层神经元数量;B为批次大小。

每一轮迭代后,WOA通过更新超参数组合,即:学习率a、隐藏层神经元数量n_h、批次大小B,来生成新的GRU模型配置,并计算其损失函数MSE。不断迭代后,WOA逐步接近全局最优解,从而获得最优超参数组合,提升GRU在风切变风险预测中的性能。

具体来说,WOA的优化过程包括“包围猎物”和“螺旋位置更新”两种行为策略。在包围猎物阶段,WOA假设当前最优解是猎物的位置,其他解逐步向最优解靠近。在螺旋位置更新阶段,当个体与最优解的距离较小时,WOA模拟鲸鱼的螺旋捕猎行为,通过螺旋路径更新位置,以增加搜索多样性。WOA逐步优化GRU的超参数组合X,最终找到最优解X^*={a^*,$\mathrm{ }{n}_{\mathrm{h}}^{\mathrm{*}}$,B^*}。

2.2 WOA优化GRU的风切变风险预测步骤

WOA优化GRU的风切变风险训练、测试步骤如下。

步骤1 初始化鲸鱼种群和超参数配置,为每个鲸鱼个体随机生成一组GRU超参数组合,包括学习率(a)、隐藏层神经元数量(n_h)和批次大小(B)等。设置WOA的最大迭代次数,并初始化模型参数,用于调整搜索范围。

步骤2 数据预处理,对收集的风切变风险数据进行归一化处理,以适配GRU模型的输入要求,确保数据在同一范围内,提高模型的收敛速度和预测效果。

步骤3 计算每个鲸鱼个体的适应度值。对于每个鲸鱼个体的超参数组合X={a,n_h,B},在训练数据上构建GRU模型并计算其损失函数,即均方误差MSE。适应度函数的目标是最小化该损失值,以提高模型的预测精度。

步骤4 鲸鱼优化迭代。在每一代迭代中,调整模型参数以逐步收缩搜索空间,根据适应度值更新鲸鱼个体的超参数组合。

步骤5 更新最优解。每次迭代结束后,比较所有鲸鱼个体的适应度值,更新全局最优超参数组合X^*={α^*,$\mathrm{ }{n}_{\mathrm{h}}^{\mathrm{*}}$,B^*},以确保搜索朝向全局最优。

步骤6 终止条件判断。检查是否达到预定的最大迭代次数或满足其他终止条件。如果达到终止条件,则停止优化并记录当前的最优超参数组合;否则,返回步骤3继续迭代。

步骤7 构建最终GRU模型,使用最优超参数组合X^*重新训练GRU模型,以保证模型在风切变风险预测中的最佳性能。

步骤8 模型验证和测试。使用独立的测试集对最终GRU模型进行验证,评估模型在风切变风险预测任务中的准确性和泛化性能,分析误差指标并验证优化效果。

2.3 引入约束的动态调整策略

在传统的WOA优化过程中,每个解的位置更新都是通过简单的距离计算完成的。但在实际应用中,不同的超参数对模型性能的敏感性不同。因此,提出了一种约束的动态调整策略,将不同超参数的敏感性纳入考虑,使每个超参数的更新量根据其对模型的影响进行自适应调整。定义动态调整策略为

(4)$D=\left|C{X}^{\mathrm{*}}-X\right|$

(5)X(t+1)=X^*-AD

式中:D为当前解与最优解的距离;X^*为当前最佳解的位置;X为当前位置。

系数向量A和C进一步定义为

(6)A=2ar-a

(7)C=2r

式中:a为一个在迭代中线性递减的变量,从2逐步减少到0;r为[0,1]的随机数,保证算法的多样性。

(8)X(t+1)=X(t)+μ[X^*-X(t)]-AD

式(8)中:μ为一个超参数敏感性因子,根据每个超参数对MSE的贡献度进行调整。通过这种方式,确保对模型影响较大的超参数更新步长较小,对影响较小的超参数可以有较大的调整空间,从而加速收敛并提高最终模型性能,其模型流程图如图2所示。

3 案例分析

使用的数据集是从民航飞行运行中获取的风切变不安全事件数据,数据特征维度包括风切变信息和时序特征。为了确保模型在不同数据环境中的适用性,对数据集进行了归一化预处理,以确保数据的一致性和模型训练的稳定性。此外,将数据集的70%作为训练集,将剩余的30%作为测试集使用,分别用于模型的训练和验证,以确保模型性能评估的客观性和全面性。

3.1 数据归一化处理

使用表1中月风切变风险值验证模型的精度,为确保不同特征数据取值范围和单位多样性影响模型训练,对月风切变风险值数据进行归一化处理。归一化公式为

(9)${y\text{'}}_{i}=\frac{{y}_{i}-\mathrm{m}\mathrm{i}\mathrm{n}\left({y}_{i}\right)}{\mathrm{m}\mathrm{a}\mathrm{x}\left({y}_{i}\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left({y}_{i}\right)}$

式(9)中:i=1,2,…,n为特征值个数;y'_i、y_i分别为归一化前、归一化后的值;min(y_i)、max(y_i)分别为第i维特征归一化前的最小值和最大值。

归一化后月风切变风险值数据如图3所示,整体数据呈现M状波动。

3.2 训练与测试结果

引入约束动态调整策略的WOA-GRU模型训练集和测试集与真实值的对比图如图4所示,图4表明模型训练集和测试集对风切变风险预测值与实测值回归分析结果,通过数据点相对于真实值的分离程度可以衡量风切变风险的预测误差。WOA-GRU模型的绝大多数数据点完美地集中在拟合线附近,鲜有偏离的数据点,表明预测值的误差较小,证明了WOA-GRU预测模型强大的泛化力和精确的预测性。

4 结果与讨论

为从准确性、鲁棒性等方面探讨引入约束动态调整策略的WOA-GRU模型性能,将WOA-GRU模型计算结果与其他传统模型BP神经网络、CNN)、进行比较,验证WOA-GRU模型在实时预测任务中的收敛性和稳定性。

4.1 评价指标

为进一步验证引入约束动态调整策略WOA-GRU模型的预测性能,选择2个统计指标来评估预测结果,即均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)。MSE和MAE越小,表明模型的预测性能越好,MAE计算公式为

(10)$\mathrm{M}\mathrm{A}\mathrm{E}=\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left|{y}_{i}-{\hat{\mathrm{y}}}_{\mathrm{i}}\right|$

4.2 WOA-GRU模型评价

WOA-GRU、BP神经网络、CNN三种模型在风切变风险预测任务中的MSE、MAE指标对比如表2所示。

从表2中可以看出,与BP神经网络、CNN、相比,WOA-GRU模型的MSE分别降低了65.45%、74.91%,这体现WOA-GRU模型在数值误差控制上的卓越性能,能够更准确地捕捉到风切变风险数据中的复杂动态特征;MAE分别降低了64.66%、65.85%,验证了WOA-GRU模型在鲁棒性上的优势,说明模型在处理异常值和噪声数据时能够更稳定地输出预测结果,对于实际风切变风险预测任务中不可避免的数据波动具有重要意义。可见,通过WOA对超参数的全局优化,使得GRU能够更好地适应风切变数据中的复杂特性。同时,动态调整策略通过逐步缩小参数搜索空间,使优化过程能够自适应地调整搜索范围,避免了传统WOA在后期阶段因搜索范围过大而导致的“游离”现象。另外,动态调整策略对收敛曲线的平滑性也有显著改善,使得模型在逼近最优解的过程中更为稳定。

4.3 约束动态调整策略评价

约束动态调整策略被引入WOA-GRU模型优化过程中,以进一步提升模型的预测精度、收敛速度和稳定性。该策略在每次迭代中动态缩小搜索空间,从而有效地引导WOA在更优的参数范围内搜索。这种方法尤其适用于高维度、复杂性高的数据集,有助于减少优化过程中的随机性和波动。图5展示了引入和未引入动态调整策略的WOA-GRU模型在1 000次迭代下的收敛情况。

从图5中可以看出,引入动态调整策略的WOA-GRU模型在初始阶段就呈现出更快的收敛速度,MSE迅速下降,在约200次迭代后趋于平稳,显著早于未引入动态调整策略的WOA-GRU模型。相比之下,未引入动态调整策略的WOA-GRU模型尽管也在迭代过程中逐步下降,但收敛速度较慢。动态调整策略在优化过程中提供了更强的收敛引导,抑制了参数搜索的无序性,使得模型更快地逼近全局最优解。

5 结论

(1)构建了风切变风险量化指标体系。基于民航不安全事件数据(事件类型、等级、原因、地理信息),结合“海恩法则”和德尔菲法,构建了可量化的风切变指标体系,并提出了月平均风险指标计算方法,为风切变风险预测提供了标准化输入,并以此开展风切变风险预测与趋势分析。

(2)引入动态调整策略改进传统WOA局限性。传统WOA在优化高维参数时易陷入局部最优或搜索效率低,引入超参数敏感性因子μ,根据实时反馈自适应收缩参数搜索范围,抑制优化过程中的随机波动,MSE在200次迭代内快速收敛,使模型更快地逼近全局最优解。

(3)提出了WOA-GRU组合模型。结合WOA全局搜索和GRU时序特征提取优势,构建了WOA-GRU组合模型并应用到民航风切变风险预测领域,将模型计算结果与BP神经网络、CNN对比。结果表明,模型较好地拟合了风切变风险的历史序列,预测精度有较大的提高,模型性能优于其他比照模型。

总的来说,引入约束动态调整策略的WOA-GRU模型在风切变风险预测任务中表现出卓越的性能和稳定性,展现了其在高复杂性时序数据预测中的应用潜力,可应用于航空风险预测领域。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Mirjalili S, Lewis A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95: 51-67.

[2]	Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 5998-6008.

[3]	Chung J, Gulcehre C, Cho K, et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[J]. ArXiv: 1412. 3555, 2014.

[4]	Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[J]. ArXiv: 1409. 0473, 2014.

[5]	Yao Y. Overfitting in neural networks: an overview[J]. Neuro Computing, 2019, 362: 169-182.

[6]	Pahwa M, Tiwari S. A study on hyperparameter optimization techniques for neural networks[J]. International Journal of Information Technology, 2021, 13(1): 223-228.

[7]	Xu Z. A review of animal-inspired optimization algorithms[J]. Applied Sciences, 2020, 10(2): 706.

[8]	林买金, 张露露, 唐友兵, 等. 基于CNN-GRU-SSA组合模型的PM_2.5浓度预测[J]. 科学技术与工程, 2024, 24(31): 13269-13276.

[9]	Lin Maijin, Zhang Lulu, Tang Youbing, et al. Prediction of PM_{2. 5} concentration based on CNN-GRU-SSA combined model[J]. Science Technology and Engineering, 2024, 24(31): 13269-13276.

[10]	贾现广, 刘欢, 冯超琴, 等. 基于混合卷积-递归神经网络的共享单车出入流预测[J]. 科学技术与工程, 2025, 25(5): 2127-2134.

[11]	Jia Xinguang, Liu Huan, Feng Chaoqin, et al. Prediction of shared bicycle inflow and outflow based on conv3D-GRU neural network[J]. Science Technology and Engineering, 2025, 25(5): 2127-2134.

[12]	Zhou T, Wang S, Li Q. Application of whale optimization algorithm in meteorological time series forecasting with GRU[J]. Atmospheric Research, 2022, 261: 105741.

[13]	Sun J, Bai Y, Zhou Z. Whale optimization algorithm and GRU-based model for complex time series prediction[J]. Applied Intelligence, 2021, 51(12): 9112-9125.

[14]	寇敏, 张萌萌, 赵军学, 等. 融合天气特征的WOA-GRU高速公路短时交通流预测[J]. 公路, 2024, 69(4): 193-199.

[15]	Kou Min, Zhang Mengmeng, Zhao Junxue, et al. Short-term highway traffic flow prediction using WOA-GRU model with fusion of weather features[J]. Highway, 2024, 69(4): 193-199.

[16]	夏超. 航空运行风险的确定方法、计算设备及存储介质: 中国, CN202111521821. 6[P]. 2022-04-12.

[17]	Xia Chao. Methods for determining aviation operational risks, computing equipment, and storage media: China, CN202111521821.6[P]. 2022-04-12.

[18]	蔡志勇, 吕惠, 周睿, 等. 森林航空消防风险与作战方案的综合模糊评估[J]. 中国安全生产科学技术, 2022, 18(7): 201-206.

[19]	Cai Zhiyong, Lv Hui, Zhou Rui, et al. Comprehensive fuzzy assessment on risk and combat plan of forest aviation fire fighting[J]. Journal of Safety Science and Technology, 2022, 18(7): 201-206.

[20]	杨潞霞, 王智瑜, 沈帅杰, 等. 基于PSO-LSTM-SATN模型的污水水质预测研究[J]. 工业水处理, 2025, 45(6): 159-166.

[21]	Yang Luxia, Wang Zhiyu, Shen Shuaijie, et al. Research on wastewater quality prediction based on PSO-LSTM-SATN model[J]. Industrial Water Treatment, 2025, 45(6): 159-166.

基金资助

工信部民机科研专项(MJZ2-6N21)

民航安全能力建设项目(ASSA2024/95)

民航安全能力建设项目(ASSA2023)

PDF (3353KB)

访问

被引

详细

导航

Received	Published
2025-02-24	2026-01-08
Online Date
2026-05-27

摘要