III民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)預(yù)測(cè)分析目錄TOC\o"1-3"\h\u15243民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)預(yù)測(cè)分析 154451.1民用運(yùn)輸機(jī)場(chǎng)安全現(xiàn)狀分析 1106601.2民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)單一預(yù)測(cè)模型 2270241.2.1自變量篩選 2198711.2.2灰色GM（1,1）預(yù)測(cè) 395171.2.3長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 414771.2.4自回歸滑動(dòng)平均預(yù)測(cè)模型 658621.3民用運(yùn)輸機(jī)場(chǎng)機(jī)場(chǎng)安全趨勢(shì)組合預(yù)測(cè)模型 7206641.4機(jī)場(chǎng)安全趨勢(shì)組合預(yù)測(cè)模型分析與應(yīng)用 91.1民用運(yùn)輸機(jī)場(chǎng)安全現(xiàn)狀分析隨著民用運(yùn)輸機(jī)場(chǎng)的規(guī)模不斷增長(zhǎng)，飛機(jī)起降架次、機(jī)場(chǎng)吞吐量持續(xù)增加，這對(duì)民用運(yùn)輸機(jī)場(chǎng)來(lái)說(shuō)是絕佳的發(fā)展機(jī)遇。然而由于我國(guó)多數(shù)機(jī)場(chǎng)仍舊是單跑道運(yùn)行，很多民用運(yùn)輸機(jī)場(chǎng)長(zhǎng)期處于超負(fù)荷運(yùn)行狀態(tài)，增大了機(jī)場(chǎng)運(yùn)行安全保障和應(yīng)急救援工作難度。近年來(lái)，機(jī)場(chǎng)原因造成的民用運(yùn)輸機(jī)場(chǎng)不安全事件和事故征候數(shù)量日益增多，造成的社會(huì)損失也愈加嚴(yán)重。根據(jù)《中國(guó)民航不安全信息事件統(tǒng)計(jì)分析報(bào)告》，2006-2015年來(lái)，由機(jī)場(chǎng)造成的不安全事件總數(shù)達(dá)4186起，即每天發(fā)生1.1起不安全事故，如此嚴(yán)峻的形勢(shì)足以引起機(jī)場(chǎng)應(yīng)急救援管理部門的重視。機(jī)場(chǎng)原因不安全事故及事故征候占比指的是由機(jī)場(chǎng)原因造成的民用運(yùn)輸機(jī)場(chǎng)不安全事件和事故征候數(shù)量與民用運(yùn)輸機(jī)場(chǎng)不安全事件和事故征候總數(shù)的比值。如圖1.1所示[39]，自2006年來(lái)由機(jī)場(chǎng)原因引起的不安全事故及不安全事故征候數(shù)占比總體呈上升趨勢(shì)，據(jù)統(tǒng)計(jì)每年機(jī)場(chǎng)原因造成的不安全事故數(shù)及事故征候數(shù)占整個(gè)民航不安全事故及事故征候總數(shù)的10%以上，最高占比在2007年達(dá)到了19.98%，機(jī)場(chǎng)原因?qū)е碌牟话踩鹿始笆鹿收骱騼叭灰呀?jīng)成為民航不安全事件的主要原因之一。圖1.12006-2015年機(jī)場(chǎng)原因不安全事故及事故征候的占比統(tǒng)計(jì)機(jī)場(chǎng)原因造成的不安全事故及事故征候應(yīng)由民用運(yùn)輸機(jī)場(chǎng)負(fù)主要應(yīng)急救援責(zé)任，故而對(duì)機(jī)場(chǎng)原因不安全事故及事故征候的占比進(jìn)行預(yù)測(cè)，建立具有較高預(yù)測(cè)精度的預(yù)測(cè)方法對(duì)民用運(yùn)輸機(jī)場(chǎng)未來(lái)安全趨勢(shì)進(jìn)行預(yù)測(cè)，以便及時(shí)采取相應(yīng)的應(yīng)急救援措施，有效地規(guī)避應(yīng)急救援工作中存在盲目性和被動(dòng)性的情況，減少機(jī)場(chǎng)原因不安全事故及事故征候的發(fā)生。在進(jìn)行民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)預(yù)測(cè)時(shí)，選取了我國(guó)2006-2015年機(jī)場(chǎng)原因不安全事故及事故征候的占比為基礎(chǔ)數(shù)據(jù)。根據(jù)每個(gè)單項(xiàng)預(yù)測(cè)模型的工作原理和適用條件，分別建立了灰色GM（1,1）模型、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）和自回歸滑動(dòng)平均模型（ARMA）等三種預(yù)測(cè)模型，利用誘導(dǎo)有序幾何加權(quán)平均算子（IOWGA）確定組合預(yù)測(cè)模型中各個(gè)單一模型的權(quán)重系數(shù)，構(gòu)建了機(jī)場(chǎng)安全趨勢(shì)組合預(yù)測(cè)模型。1.2民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)單一預(yù)測(cè)模型1.2.1自變量篩選由于LSTM模型以及ARMA模型均涉及對(duì)輸入變量的選擇，若選擇的輸入變量中存在信息不相關(guān)或有噪聲的情況，就會(huì)影響單項(xiàng)模型的預(yù)測(cè)精度。皮爾森相關(guān)系數(shù)可以用來(lái)反映自變量之間線性相關(guān)程度，其絕對(duì)值越大表明相關(guān)性越強(qiáng)。影響航空運(yùn)輸飛行安全的因素有很多，包括飛機(jī)日利用率、飛行小時(shí)數(shù)、運(yùn)輸飛機(jī)架數(shù)、起飛架次等，經(jīng)過(guò)對(duì)各個(gè)自變量進(jìn)行皮爾森系數(shù)計(jì)算，最終選擇了7個(gè)相關(guān)自變量作為輸入變量，具體如表1.1所示。表1.1各輸入變量的皮爾森系數(shù)輸入變量單位皮爾森系數(shù)飛機(jī)日利用率小時(shí)-0.812飛行小時(shí)數(shù)萬(wàn)小時(shí)-0.805運(yùn)輸飛機(jī)架數(shù)架-0.801起飛架次萬(wàn)架次-0.795貨郵運(yùn)輸量萬(wàn)噸-0.749運(yùn)輸機(jī)場(chǎng)數(shù)個(gè)-0.716旅客運(yùn)輸量?jī)|人次-0.6931.2.2灰色GM（1,1）預(yù)測(cè)灰色理論主要針對(duì)“外延明確，內(nèi)涵模糊”、樣本數(shù)據(jù)少、信息貧乏的問(wèn)題進(jìn)行分析研究，通過(guò)生成的序列來(lái)尋找數(shù)據(jù)之間變化的規(guī)律，其最大的優(yōu)點(diǎn)是對(duì)數(shù)據(jù)的需求量小，預(yù)測(cè)精度較高[40]。設(shè)機(jī)場(chǎng)原因不安全事故及事故征候的占比原始數(shù)據(jù)為X0=X其中，為原始數(shù)據(jù)長(zhǎng)度，對(duì)作累加生成（1-AGO）序列，可得為X1=X其中，Xk以X(1)dX(1)其中a為該灰色模型的發(fā)展參數(shù)，反映X(0)和X(1)的發(fā)展趨勢(shì)，構(gòu)建參數(shù)向量a=[a,u]、矩陣B和向量yn，求解a和uyB=?(X11利用最小二乘法得：a=(BTB)將式（1.4）代入式（1.5），得灰色模型:Xk+1(1)=利用Matlab軟件求得灰色模型如下Xk+1(1)=0.0101*1.2.3長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型針對(duì)遞歸神經(jīng)網(wǎng)絡(luò)易出現(xiàn)梯度爆炸及消失的情況，Hochreiter和Schmidhuber提出了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM），相比于傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)，為了更好地控制時(shí)間序列上的記憶信息，LSTM模型構(gòu)建了專門的記憶存儲(chǔ)單元，通過(guò)時(shí)間反向傳播算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練[41]，xt為輸入數(shù)據(jù)，?t為L(zhǎng)STM的輸出數(shù)據(jù)，Ct為L(zhǎng)STM網(wǎng)絡(luò)記憶單元的值，輸入門it，遺忘門ft，記憶單元標(biāo)準(zhǔn)的LSTM第一步為神經(jīng)元遺忘信息，是由“遺忘門層”ft的Sigmod組成，輸入?t?1和xtft=σ(W圖1.2LSTM結(jié)構(gòu)示意圖決定神經(jīng)元中應(yīng)該保存的信息，這包括兩部分，Sigmod層決定更新的數(shù)值it，tanh層生成一個(gè)新的備用數(shù)值Ct,it=σWCt=tanh?然后將Ct?1替換到新的神經(jīng)元狀態(tài)CCt=f最后是輸出門Ot,利用Sigmod層決定輸出的神經(jīng)元狀態(tài)，該神經(jīng)元狀態(tài)經(jīng)過(guò)tanh并乘以Sigmod門限后輸出?Ot=σW?t=O利用LSTM模型對(duì)民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)預(yù)測(cè)進(jìn)行求解，確定隱藏層節(jié)點(diǎn)個(gè)數(shù)為N=n+m+a（N為隱藏層節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，m為輸出節(jié)點(diǎn)數(shù)，a為1-10之間的常數(shù)。由表1.1可知模型輸入節(jié)點(diǎn)有7個(gè)，輸出節(jié)點(diǎn)1個(gè)，依據(jù)公式（1.13）可知隱藏節(jié)點(diǎn)為4-12個(gè)之間。通過(guò)對(duì)誤差率（E）和均方根誤差（RMSE）進(jìn)行分析（如表1.2）可知，9個(gè)隱藏層節(jié)點(diǎn)的LSTM模型的RMSE的數(shù)值最小，所以預(yù)測(cè)效果最好。表1.2不同隱藏節(jié)點(diǎn)的機(jī)場(chǎng)原因不安全事故及事故征候的占比預(yù)測(cè)節(jié)點(diǎn)E（2013）E（2014）E（2015）RMSE4-0.04260.06400.00750.006550.0035-0.0378-0.00640.00576-0.03260.00120.03750.00687-0.0457-0.07320.08470.006180.00280.0458-0.05470.006390.05300.04380.03810.005410-0.06370.05390.03280.0058110.00920.0074-0.06420.0069120.01380.03680.00630.0055本實(shí)例中僅有10條數(shù)據(jù)記錄，為了避免模型過(guò)度擬合，將1-5層模型進(jìn)行對(duì)比，均方根對(duì)數(shù)誤差（RMSLE）越小表示模型擬合效果越好，R-square越接近1，表示所建立的預(yù)測(cè)模型對(duì)數(shù)據(jù)的擬合程度越高。由表1.3可知2個(gè)隱含層的LSTM模型RMSLE最小，R-square最接近1，所以預(yù)測(cè)效果最好。最后可知LSTM預(yù)測(cè)模型含2個(gè)隱含層，每個(gè)隱含層都有9個(gè)隱藏節(jié)點(diǎn)，數(shù)據(jù)集為7個(gè)輸入變量和1個(gè)輸出變量。表1.3不同層數(shù)模型均方根對(duì)數(shù)誤差以及決定系數(shù)層數(shù)RMSLER-square10.03330.981020.02670.988330.03740.973540.03010.986450.03560.98451.2.4自回歸滑動(dòng)平均預(yù)測(cè)模型常用的時(shí)間序列模型有自回歸模型（AR）、滑動(dòng)平均模型（MR）和自回歸滑動(dòng)平均模型（ARMA），ARMA的兩種特殊表現(xiàn)形式為AR和MA，其中經(jīng)典的ARMA模型[42]也成為預(yù)測(cè)領(lǐng)域的里程碑，在時(shí)間序列預(yù)測(cè)領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響，其表達(dá)式為yi=φ其中yi為時(shí)間序列，ui表示當(dāng)前和歷史預(yù)測(cè)誤差隨機(jī)項(xiàng)，是白噪聲序列，φ1,φ2，…，φp，為自回歸系數(shù)，θ1，θ2，…,利用ARMA模型對(duì)民用運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)預(yù)測(cè)進(jìn)行求解，用EVIEWS10分析軟件得到機(jī)場(chǎng)原因不安全事故及事故征候占比的自相關(guān)函數(shù)（ACF）和偏自相關(guān)函數(shù)（PACF），如圖1.3所示。圖1.3自相關(guān)和偏自相關(guān)分析由圖1.3分析可知ACF和PACF都具有拖尾性，所以該序列適合運(yùn)用ARMA模型。當(dāng)ACF滯后值lag=12，自相關(guān)系數(shù)不為0時(shí)，設(shè)定q=1；當(dāng)PACF滯后值lag=12，偏自相關(guān)系數(shù)不為0時(shí)，設(shè)定p=1。以機(jī)場(chǎng)原因不安全事故及事故征候的占比為輸出變量，表1.1中的7項(xiàng)影響因素作為輸入變量，最優(yōu)模型確定為ARMA（1,1）。?Y1.3民用運(yùn)輸機(jī)場(chǎng)機(jī)場(chǎng)安全趨勢(shì)組合預(yù)測(cè)模型IOWGA組合模型在克服了傳統(tǒng)加權(quán)算子賦權(quán)缺點(diǎn)的基礎(chǔ)上，改善了賦權(quán)靈活性，提高了組合預(yù)測(cè)模型的預(yù)測(cè)精度[43]。針對(duì)我國(guó)機(jī)場(chǎng)原因不安全事故及事故征候占比的預(yù)測(cè)問(wèn)題，設(shè)x1,x2,x3分別為灰色GM（1,1）模型、LSTM模型和ARMA平穩(wěn)時(shí)間序列模型在第t時(shí)刻對(duì)應(yīng)的預(yù)測(cè)值，設(shè)lpit=1?x預(yù)測(cè)精度pit為預(yù)測(cè)值xit的誘導(dǎo)值，三個(gè)單一預(yù)測(cè)模型在t時(shí)刻預(yù)測(cè)精度和對(duì)應(yīng)的預(yù)測(cè)值構(gòu)成了3個(gè)三維數(shù)組，即p1t,x1t，p2t,x2t，p3tIOWGAL(p可稱式（1.16）為預(yù)測(cè)精度序列p1t,p2t,S=t=1n(ln3階組合預(yù)測(cè)對(duì)數(shù)誤差信息方陣記為E=(Eij)3×3，minSs.t.RTL=1設(shè)各單項(xiàng)預(yù)測(cè)模型得到的我國(guó)2006-2015年機(jī)場(chǎng)原因不安全事故及事故征候的占比的預(yù)測(cè)值為x1t,x2t,xIOWGAL(p11IOWGAL(p1.13可得到最優(yōu)化模型為minSs.t.對(duì)最優(yōu)化模型進(jìn)行求解，得到對(duì)應(yīng)的最優(yōu)權(quán)系數(shù)，即可得基于IOWGA的組合預(yù)測(cè)模型的預(yù)測(cè)值，結(jié)果見(jiàn)表1.4。表1.4機(jī)場(chǎng)原因不安全事故及事故征候占比的各模型擬合結(jié)果及精度比較年份實(shí)際值灰色GM（1,1）模型LSTM模型ARMA模型IOWGA模型預(yù)測(cè)值精度預(yù)測(cè)值精度預(yù)測(cè)值精度預(yù)測(cè)值精度20060.15090.15091.00000.15091.00000.15091.00000.15091.000020070.19980.14270.71420.18450.92340.17480.87480.18450.923420080.10780.14120.76340.18720.57580.18630.57860.14120.763420090.11570.13980.82760.12080.95770.11350.98090.11350.980920100.12860.13840.92910.13640.94280.13320.96540.13320.965420110.11200.13700.81750.13950.80280.15930.70300.13700.817520120.13310.13560.98150.12530.94130.12710.95490.13560.981520130.14970.13430.89710.15570.96140.14650.97860.14650.978620140.17480.13290.76020.17850.97920.18020.97000.17850.979220150.11210.13160.85180.18210.61550.18900.59310.13160.8518SSE0.00800.01230.01500.0024MSE0.00560.00690.00760.0030MAE0.01420.01390.01550.0068MAPE0.10360.08180.08880.0478MSPE0.04040.03870.04220.02171.4機(jī)場(chǎng)安全趨勢(shì)組合預(yù)測(cè)模型分析與應(yīng)用為了比較各模型預(yù)測(cè)效果的準(zhǔn)確性，采用了5種擬合誤差指標(biāo)：平方和誤差（SSE）、均方誤差（MSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）和均方百分比誤差（MSPE）[44]。通過(guò)表1.3中各模型的誤差對(duì)比和圖1.4的擬合效果可以看出，基于IOWGA算子的組合預(yù)測(cè)模型預(yù)測(cè)精度較高、誤差小，從5種擬合誤差指標(biāo)進(jìn)行分析，可知組合模型的預(yù)測(cè)效果都要比單一預(yù)測(cè)模型更優(yōu)秀。組合模型預(yù)測(cè)值與實(shí)際值變化趨勢(shì)一致，且組合模型預(yù)測(cè)值更接近實(shí)際值，說(shuō)明該組合模型可以對(duì)機(jī)場(chǎng)原因不安全事故與事故征候占比進(jìn)行預(yù)測(cè)，真實(shí)地反映了民航運(yùn)輸機(jī)場(chǎng)安全趨勢(shì)的動(dòng)態(tài)變化。圖1.4各預(yù)測(cè)模型擬合圖利用IOWGA組合