《基于arima与ls-svm组合模型的飞行事故征候预测》由会员分享，可在线阅读，更多相关《基于arima与ls-svm组合模型的飞行事故征候预测（11页珍藏版）》请在金锄头文库上搜索。
1、基于 ARIMA 与 LS-SVM 组合模型的飞行事故征候预测 梁文娟 李雪艳 中国民航大学飞行技术学院 中国民航大学理学院 摘 要： 应用差分自回归移动平均模型 (ARIMA) 和最小二乘支持向量机 (LS-SVM) 的组合模型, 对某航空公司的月度事故征候万时率进行了预测分析。对 20082016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立 ARIMA 模型, 应用 SPSS 软件进行模型拟合, 获得事故征候万时率的线性部分;随后利用 LS-SVM 分析 ARIMA 模型的残差, 获取非线性部分, 最终通过二者之和获得ARIMA+LSSVM 组合模型。对 2017 年 13
2、月的月度事故征候万时率进行了预测, 并用实际数据验证。结果表明:ARIMA (1, 1, 1) (1, 1, 1) 12 模型较好地拟合了事故征候万时率的历史序列, LS-SVM 模型对残差的拟合获得了较好的精度;组合模型的短期 (3 个月) 预测值与航空公司事故征候万时率的趋势完全一致, 且预测精确度可接受。关键词： 安全工程; 差分自回归移动平均模型; 支持向量机; 安全; 事故征候; 民航; 作者简介：梁文娟, 助理研究员, 从事民航安全与运行等研究, 。收稿日期：2017-07-18基金：民航局应用技术研发项目 (20150204) Prediction of the flight a
3、ccidents based on the integrated model of ARIMA and LS-SVMLIANG Wen-juan LI Xue-yan Flight Technology College, Civil Aviation University of China; College of Science, Civil Aviation University of China; Abstract： This paper is aimed at providing a data-base for decision making and flying trend analy
4、sis of the safety operation in the airline control. For the said purpose, we have first of all established an auto-regressive integrated moving average ( ARIMA) model and the least square supporting vector machine ( LS-SVM) model on the basis of analyzing and forecasting the accidents per10 000 flig
5、ht hours each month with the Chinese airline in accordance with the data of the accidents, the flight hours, the numberof airplanes and that of pilots during the aircraft flying years from Jan. 2008 to Dec. 2016 in the said airline. What is more, the model can also be made to construct the seasonal
6、ARIMA model to be used to predict the linear components of the accidents with the SPSS software. Besides, in the modeling process, the parameters of ARIMA should also be taken as stationary R2= 0. 608, with the normalized BIC =-1. 93. The kernel function was selected by radial basis function ( RBF)
7、, and the parameters are set to: C = 1000, = 0. 001. Furthermore, we have also chosen ARIMA + LS-SVM model to predict the monthly incidents per10 000 flight hours from Jan. 2017 to Mar. 2017. Thus, the results of our calculation and investigation indicate that they are exactly in accord with the num
8、ber of accidents per 10 000 flight hours of the historical recording series whereas the LS-SVM model helps to obtain a nice precision of the fitted value of residuals.Thus, the real values and the fitted values have also been proved to be in a nice accord, with the maximum absolute error of the fitt
9、ed value being 0. 76 of Sep. 2012. And, in comparison, the minimum absolute errors of fitted value turn to be 0. 01 in Oct.2009, Apr. 2011, March. 2012, Jan. 2014, and Apr. 2014.And, so, it can be concluded that the combined model can be used to make a short-term prediction ( 3 months) with the pred
10、icted data well in accord with the trend of the incidents per 10 000 flight hours of the airline. Hence, the accuracy of the predicted results can be said acceptable and, therefore, can be taken as a scientific basis and a guideline proposal to establish a prevention and control plan of the accident
11、s in the airline control.Keyword： safety engineering; ARIMA model; support vector machine; safety; accident; civil aviation; Received： 2017-07-180 引言从 2010 年 8 月 24 日至今, 中国民航安全形势平稳, 未发生重大运输飞行事故, 截至 2017 年 6 月, 累计安全飞行 5 000 万飞行小时, 安全记录位列世界先进水平。随着运行复杂程度的提升和运输量的增长, 如何持续提升安全水平, 成为中国民航面临的新问题。一次事故征候的产生是民航
12、运输系统内部诸多因素共同影响和制约的结果。已有研究表明1, 社会技术系统的各影响因素间存在错综复杂的关系, 其逻辑关系涉及线性和非线性两种。在民航运输飞行领域, 事故征候预测的基本思路是首先收集、梳理航空企业的历史运行数据、事件、重大运营变化等资料, 随后进行统计、分析和建模, 最后基于合理的数学模型对尚未发生或尚不明确的事故征候进行预测。20062016 年的民航统计数据表明2, 航空运输量与事故征候数量之间呈现一定的线性关系和大量非线性的关联。如何准确地预测事故征候, 从而反映未来一定时期的安全趋势, 是航空安全领域亟待解决且有重大现实意义的问题。国内外用于预测安全生产事故的时序预测法主要
13、有指数平滑法3-4、灰色预测法5-6、神经网络法7-9、差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model, ARIMA) 1和支持向量机 (Support Vector Machine, SVM) 10-13等。指数平滑法仅针对数值进行拟合, 无法反映飞行事故征候的复杂成因和规律, 以及与其他因素间的关联和影响机制。灰色预测法用于分析具有趋势特征的数据效果较好, 但飞行事故征候数据除具有趋势性, 还可能呈现波动性、周期性和季节性等特征, 其发生往往是多个偶然性因素共同作用的结果, 这类异常的突变是灰色预测法的短板。神经网络法
14、在非线性建模预测方面具有独特的优势, 但其需要大量训练数据, 且过分依赖建模者的主观经验。ARIMA 是当前较为成熟、具有代表性的时间分析方法, 尤其适宜处理线性信息, 捕捉数据的线性关系。SVM 运用核函数, 能够较好地捕获模型的非线性特征14-15。对于民航运输飞行事故征候数据的长期趋势变化、季节性变化、周期性变化和随机波动, 各种时序预测方法都有所涉及16-17。但绝大多数的预测模型可用来预测上述 3 种具有线性关联的趋势变化, 如指数平滑法、灰色预测法等, 而对造成随机波动的非线性影响因素无法准确预测, 这直接导致预测结果的精度下降。1969 年, Bates 等18首次提出了组合预测
15、, 以解决单一模型预测带来的误差大、数据特征获取不全面的问题, 同时充分整合多种模型的优点, 以获得更高的预测精度。本文通过建立航空公司运行数据与事故征候数据的时间序列, 运用 ARIMA 模型和 LS-SVM 模型对航空公司飞行事故征候进行预测, 以期为判断其安全趋势和状况提供数据支持。1 资料与方法1.1 资料来源本文数据来源于某大型航空企业发布的 2008 年 1 月至 2016 年 12 月运营数据, 以及 2005 年至 2016 年的从统计看民航、中国民航航空安全报告等统计年鉴。20082016 年我国某航空企业运输飞行事故征候数据见表 1。鉴于事故样本数量过于稀少, 将严重事故征
16、候、一般事故征候这两类对航空公司安全状况有重大影响的事件作为预测对象。1.2 组合建模步骤ARIMA 模型将预测对象时间序列数据假设为随机序列。通过所建 ARIMA 模型从时间序列的历史值来预测未来值, 其短期预测精度较高。带有季节性与趋势性的 ARIMA 模型可以表现为 ARIMA (p, d, q) (P, D, Q) S乘积季节模型。该模型有 7 个参数, 其中 p、q 分别代表自相关函数 (Autocorrelations Function, ACF) 和偏自相关函数 (Partial Autocorrelations Function, PACF) 的阶数, d 代表差分次数, P、Q、D 分别表示季节性的自相关、偏自相关函数的阶数和差分次数, S 表示季节性的周期。其通常表达式为表 1 20082016 年中国某航空企业运输飞行事故/事故征候数量 Table 1 Transport flight accidents and incidents of a
