基于SVM和RBF神經(jīng)網(wǎng)絡(luò)的民航不安全事件組合預(yù)測(cè)方法

單晶晶，吳建軍，張晨，趙芳霞

(1.北京交通大學(xué)交通運(yùn)輸學(xué)院，北京 100044;2.中國民航科學(xué)技術(shù)研究院，北京 100028)

經(jīng)濟(jì)全球化推動(dòng)著我國民航運(yùn)輸業(yè)的不斷發(fā)展，同時(shí)，飛行安全問題也日益引起人們的關(guān)注。最近發(fā)生的MH370事件，在全球引起了對(duì)飛行事故的恐慌。目前我國在航空安全管理上與國際先進(jìn)水平還有相當(dāng)?shù)牟罹啵绾翁岣吆娇展镜陌踩?wù)水平，最大程度地降低事故率，是國內(nèi)外人士都非常關(guān)心的問題［1］。民航事故的類型是錯(cuò)綜復(fù)雜的，導(dǎo)致民航事故發(fā)生的因素也具有多樣性，但這并不表示導(dǎo)致空難事故發(fā)生的原因無跡可尋。對(duì)產(chǎn)生風(fēng)險(xiǎn)事故的風(fēng)險(xiǎn)因素做好科學(xué)的分析和預(yù)測(cè)，是保障人民生命財(cái)產(chǎn)安全以及推動(dòng)航空業(yè)可持續(xù)發(fā)展的關(guān)鍵問題。

針對(duì)民航風(fēng)險(xiǎn)事故，國內(nèi)外學(xué)者已經(jīng)做了許多研究工作。2000年，Milan提出了風(fēng)險(xiǎn)、安全及其評(píng)價(jià)的基本概念和定義，依據(jù)總體行業(yè)指標(biāo)和事故死亡率描述了造成飛機(jī)事故的主要原因是由于飛行器的過度使用及老化，并提出了一種量化風(fēng)險(xiǎn)和事故的方法［2］。Zhou等［3］構(gòu)建了一個(gè)灰色關(guān)聯(lián)模型來分析民航不安全事件的各種誘發(fā)因素。Knecht［4］通過分析飛行員總的飛行小時(shí)數(shù)之間的關(guān)系，采用連續(xù)非線性模型預(yù)測(cè)了飛行事故發(fā)生率。Wong等［5］在分析了能見度、溫度和推動(dòng)力等因素比例的基礎(chǔ)上進(jìn)行了差異檢驗(yàn)，并對(duì)事故的不同級(jí)別進(jìn)行了風(fēng)險(xiǎn)量化。Gong等［6］提出了一種名為事故數(shù)的集成分析方法來識(shí)別重要的人為因素。國內(nèi)學(xué)者王衍洋等［7］參考美國聯(lián)邦航空局的單一安全指數(shù)的計(jì)算方法，通過計(jì)算行業(yè)運(yùn)行事故、事故征候、不安全事件的發(fā)生頻率及后果嚴(yán)重程度(死亡人數(shù)和受傷人數(shù)、直接經(jīng)濟(jì)損失等)，建立了一個(gè)新的安全指數(shù)評(píng)估模型。姚前、成媛等［8－10］綜合考慮了機(jī)場(chǎng)安全的影響因素，從行為人、機(jī)務(wù)、環(huán)境及組織管理4個(gè)影響機(jī)場(chǎng)安全的角度入手，構(gòu)建了機(jī)場(chǎng)安全預(yù)警評(píng)價(jià)指標(biāo)體系，并應(yīng)用層次分析和模糊綜合評(píng)價(jià)方法進(jìn)行分析，建立了民航企業(yè)不安全事件風(fēng)險(xiǎn)評(píng)估方法。金迪［11］運(yùn)用灰色預(yù)測(cè)模型對(duì)不安全事件發(fā)生的可能性進(jìn)行了預(yù)測(cè)，建立了安全風(fēng)險(xiǎn)的分析和評(píng)價(jià)模型，運(yùn)用SHEL模型找出安全風(fēng)險(xiǎn)中所存在的危險(xiǎn)源，通過運(yùn)用計(jì)數(shù)抽檢程序、風(fēng)險(xiǎn)矩陣評(píng)價(jià)法和風(fēng)險(xiǎn)值評(píng)價(jià)法為風(fēng)險(xiǎn)控制措施的制定提供了依據(jù)。

對(duì)于民航業(yè)出現(xiàn)的各種風(fēng)險(xiǎn)因素，國內(nèi)外學(xué)者從不同的角度進(jìn)行了研究，并建立了相應(yīng)的風(fēng)險(xiǎn)事故評(píng)價(jià)與預(yù)測(cè)模型。但以往的計(jì)算研究方法數(shù)據(jù)調(diào)查復(fù)雜性高、時(shí)效性低、可信度較低、模型計(jì)算復(fù)雜且精確度較低，已經(jīng)不能滿足現(xiàn)實(shí)的要求。目前亟需一種分析簡單、數(shù)據(jù)獲取較為容易且實(shí)用性強(qiáng)的分析預(yù)測(cè)方法，為民航安全管理和決策提供參考依據(jù)。支持向量機(jī)(support vector machine，SVM)和徑向基(radical basis function，RBF)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)功能已經(jīng)成功地應(yīng)用在房地產(chǎn)價(jià)格、股票以及水華問題預(yù)測(cè)等許多方面，但在民航事故的預(yù)測(cè)方面尚未得到應(yīng)用。本文在綜合參考現(xiàn)存各類研究成果的基礎(chǔ)上，采用了同比和環(huán)比加權(quán)組合的預(yù)測(cè)方法，此方法在預(yù)測(cè)中國消費(fèi)價(jià)格指數(shù)［12］(CPI)方面已被證明有較好的預(yù)測(cè)效果。在保證預(yù)測(cè)結(jié)果可行性與有效性的基礎(chǔ)上，本文建立了基于同比和環(huán)比的SVM和RBF神經(jīng)網(wǎng)絡(luò)加權(quán)組合預(yù)測(cè)模型。

1 數(shù)據(jù)描述

數(shù)據(jù)挖掘最重要的是數(shù)據(jù)源的科學(xué)性與合理性，本文所使用的數(shù)據(jù)均來自于北京市民航不安全事件研究所對(duì)全國民航歷年發(fā)生的不安全事件的統(tǒng)計(jì)。由于設(shè)備、技術(shù)等原因，早期記錄的數(shù)據(jù)出現(xiàn)部分的遺漏或者缺失，在可信度方面稍差。為了研究分析的準(zhǔn)確性，我們選取分析的數(shù)據(jù)為2002年2月至2014年2月間的不安全事件，并對(duì)2014年2月和4月引起不安全事件的原因和飛行階段進(jìn)行了短期預(yù)測(cè)。引起不安全事件原因和飛行階段所包含的因素可參見表1～2。

為提高預(yù)測(cè)準(zhǔn)確率，本文將收集到的數(shù)據(jù)分為兩部分，并建立SVM和RBF神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行預(yù)測(cè)。

數(shù)據(jù)1:2002年2月至2012年2月間每年2月的數(shù)據(jù)作為同比基數(shù)，建立SVM預(yù)測(cè)模型，對(duì)2014年2月的事故進(jìn)行同比預(yù)測(cè);2013年1月至2014年1月這段時(shí)間中每月發(fā)生的事故數(shù)量作為環(huán)比基數(shù)，建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)2014年2月事故進(jìn)行環(huán)比預(yù)測(cè)。

數(shù)據(jù)2:2002年4月至2012年4月間每年4月的數(shù)據(jù)和2013年1月至2014年2月的數(shù)據(jù)對(duì)2014年4月發(fā)生的不安全事件進(jìn)行預(yù)測(cè)。

2 模型的建立

2.1 模型描述

鑒于單一預(yù)測(cè)模型在預(yù)測(cè)問題上存在的可靠性問題，本文應(yīng)用一種組合預(yù)測(cè)模型——SVM和RBF神經(jīng)網(wǎng)絡(luò)混合預(yù)測(cè)模型［13］。該模型能夠組合各單一模型的優(yōu)點(diǎn)，進(jìn)一步提高預(yù)測(cè)精度，為民航不安全事件的預(yù)測(cè)提供依據(jù)。

對(duì)數(shù)據(jù)1中的兩部分?jǐn)?shù)據(jù)分別建立SVM和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，將其預(yù)測(cè)結(jié)果分別加權(quán)求和作為最后的預(yù)測(cè)結(jié)果，即Yf=αY0+(1－α)Yp。其中Y0表示同比的預(yù)測(cè)結(jié)果，Yp表示環(huán)比的預(yù)測(cè)結(jié)果，Yf表示最后的預(yù)測(cè)結(jié)果，α表示權(quán)重，預(yù)測(cè)過程見圖1。

圖1 模型預(yù)測(cè)過程Fig.1 Prediction process of a model

2.2 SVM預(yù)測(cè)模型

SVM是Cortes等于1995年首先提出的，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，在函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中得到廣泛應(yīng)用。SVM方法建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力［14］。根據(jù)SVM的以上特點(diǎn)，在前人研究的基礎(chǔ)上，本文采用了一種基于SVM的同比預(yù)測(cè)模型。

對(duì)不安全事故發(fā)生頻數(shù)的時(shí)間序列{X1，X2，X3，…，Xn}建模，其中前m個(gè)數(shù)據(jù)作為訓(xùn)練樣本及進(jìn)行參數(shù)估計(jì)，其余的數(shù)據(jù)用來驗(yàn)證模型的有效性。輸入變量即為原因變量和飛行階段變量，輸出變量為不同事件類型對(duì)應(yīng)的事故數(shù)量。在預(yù)測(cè)過程中，核函數(shù)選用高斯函數(shù)，參數(shù)設(shè)定分別為c=100(拉格朗日乘子上界)和ε=0.01(不敏感損失函數(shù)的參數(shù))，將訓(xùn)練好的模型對(duì)未來民航不安全事件進(jìn)行預(yù)測(cè)。

2.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

RBF神經(jīng)網(wǎng)絡(luò)是一種性能良好的前饋型人工神經(jīng)網(wǎng)絡(luò)，能夠逼近任意的非線性函數(shù)，具有良好的泛化能力，結(jié)構(gòu)簡單，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時(shí)間序列分析和系統(tǒng)建模等方面。網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，隱含層采用徑向基函數(shù)作為激勵(lì)函數(shù)［15］。網(wǎng)絡(luò)的輸入為(X1，X2，…，Xn)，X1，X2，…，Xn代表不同類型的事故數(shù)量，是單變量時(shí)間序列輸入，中間層取20個(gè)神經(jīng)元，輸出為(Y1，Y2…，Yn)，即預(yù)測(cè)的對(duì)應(yīng)類型的事故數(shù)量。對(duì)應(yīng)輸入 Xi的實(shí)際輸出為:Y(Xi)= Σ wijφ(Xi，ti)，其中φ(Xi，ti)為第i個(gè)隱單元的輸出ti為基函數(shù)的中心，徑向基函數(shù)wij為第j個(gè)隱含層到輸出層之間的權(quán)重。網(wǎng)絡(luò)的單層拓?fù)浣Y(jié)構(gòu)見圖2。

重復(fù)訓(xùn)練網(wǎng)絡(luò)直到滿足誤差要求，將訓(xùn)練好的網(wǎng)絡(luò)用于環(huán)比預(yù)測(cè)，能夠有效提高預(yù)測(cè)的精度。

2.4 評(píng)價(jià)指標(biāo)

(1)將2014年2月份的真實(shí)數(shù)據(jù)與模型預(yù)測(cè)值進(jìn)行比較，考察模型的預(yù)測(cè)準(zhǔn)確性。

(2)為了評(píng)價(jià)模型的預(yù)測(cè)性能，采用均方根誤差(root mean square error，RMSE)對(duì)預(yù)測(cè)效果進(jìn)行評(píng)估，考察模型的逼近能力。其中xj表示預(yù)測(cè)值，n表示樣本的數(shù)量。

文中通過采用SVM、RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)以及二者的組合預(yù)測(cè)結(jié)果的RMSE作對(duì)比，來考察組合模型的預(yù)測(cè)能力。

3 結(jié)果分析

本文采用SVM和RBF神經(jīng)網(wǎng)絡(luò)算法分別預(yù)測(cè)了2014年2月由不同事件原因及飛行階段引起的不安全事件的數(shù)量。考慮到實(shí)際情況中環(huán)比時(shí)間同預(yù)測(cè)時(shí)間非常接近，必然對(duì)預(yù)測(cè)的最后結(jié)果影響較大，因此設(shè)定環(huán)比預(yù)測(cè)的權(quán)重α=0.6，同比預(yù)測(cè)權(quán)重為1－α=0.4，預(yù)測(cè)結(jié)果如表1～2所示。

表1 2014年2月事件原因事故數(shù)量的預(yù)測(cè)結(jié)果Table 1 The Prediction result of accident causes in Feb.2014

表2 2014年2月飛行階段事故數(shù)量的預(yù)測(cè)結(jié)果Table 2 The prediction result of flight stages in Feb.2014

從表1～2中可以看出，模型預(yù)測(cè)結(jié)果與真實(shí)結(jié)果很接近，雖然有些局部的同比和環(huán)比預(yù)測(cè)數(shù)據(jù)同真實(shí)值也較近似，但從整體的預(yù)測(cè)趨勢(shì)來看，組合預(yù)測(cè)模型存在較大的優(yōu)勢(shì)，說明在允許的誤差范圍內(nèi)，這種預(yù)測(cè)方法是行之有效的。

圖3給出了由SVM、RBF神經(jīng)網(wǎng)絡(luò)模型及組合模型預(yù)測(cè)結(jié)果的RMSE。

圖3 3種預(yù)測(cè)方法誤差對(duì)比圖Fig.3 Error comparison chart of three prediction methods

由圖3可見，組合模型都較單項(xiàng)預(yù)測(cè)模型進(jìn)一步縮小了誤差，說明該組合預(yù)測(cè)方法明顯優(yōu)于任一單項(xiàng)預(yù)測(cè)方法，對(duì)預(yù)測(cè)不安全事件的數(shù)量是行之有效的。

通過訓(xùn)練好的模型2002至2012年間每年4月份的數(shù)據(jù)和2013年1月至2014年2月這段時(shí)間中每月發(fā)生的事故數(shù)量對(duì)2014年4月份進(jìn)行了預(yù)測(cè)。事件原因及飛行階段系數(shù)數(shù)量預(yù)測(cè)結(jié)果見表3～4。

表3 2014年4月事件原因事故數(shù)量的預(yù)測(cè)結(jié)果Table 3 The prediction result of accident causes in Apr.2014

表4 2014年4月飛行階段事故數(shù)量的預(yù)測(cè)結(jié)果Table 4 The prediction result of flight stages in Apr.2014

4 結(jié)論

對(duì)民航系統(tǒng)進(jìn)行安全管理的核心之一就是對(duì)系統(tǒng)中存在的風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，以便找出對(duì)系統(tǒng)安全有影響的頻發(fā)事件，分析其可能導(dǎo)致的后果，制定出消除和控制危險(xiǎn)的措施，防止或減輕災(zāi)害對(duì)人與財(cái)產(chǎn)造成的損失。本文采用SVM和RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型對(duì)民航不安全事件進(jìn)行了預(yù)測(cè)，并將預(yù)測(cè)結(jié)果同真實(shí)值進(jìn)行了比較，表明在允許的誤差范圍內(nèi)，預(yù)測(cè)結(jié)果是較為精確的。此外還將3種預(yù)測(cè)方法的均方根誤差進(jìn)行了對(duì)比，證明了有效性，同時(shí)提高預(yù)測(cè)的精度。使用訓(xùn)練好的模型對(duì)2014年4月份的不安全事件進(jìn)行預(yù)測(cè)，結(jié)果表明該研究對(duì)民航的風(fēng)險(xiǎn)管理具有很好的推廣性，為以后民航不安全事件的分析與預(yù)防奠定了理論基礎(chǔ)。但是組合模型的預(yù)測(cè)對(duì)小樣本數(shù)據(jù)是否同樣具有精確性，還需要做進(jìn)一步的研究。

［1］劉剛.機(jī)場(chǎng)安全風(fēng)險(xiǎn)識(shí)別和評(píng)價(jià)預(yù)警問題研究［D］.江蘇:南京航空航天大學(xué)，2008.

［2］NETJASOV F，JANIC M.A review of research on risk and safety modelling in civil aviation［J］.Journal of Air Transport Management，2008，14(4):213 －220.

［3］ZHOU C C，HU D D.Research on inducement to accident/incident of civil aviation in southwest of China based on grey incidence analysis［J］.Procedia Engineering，2012，45:942 －949.

［4］KNECHT W R.The“killing zone”revisited:Serial nonlinearities predict general aviation accident rates from pilot total flight hours［J］.Accident Analysis＆ Prevention，2013，60:50－56.

［5］WONG D K Y，PITFIELD D E，CAVES R E，et al.Quantifying and characterising aviation accident risk factors［J］.Journal of Air Transport Management，2006，12(6):352 －357.

［6］GONG L，ZHANG S，TANG P，et al.An integrated graphic-taxonomic-associative approach to analyze human factors in aviation accidents［J］.Chinese Journal of Aeronautics，2014，27(2):226 －240.

［7］王衍洋，李敬，曹義華.中國民航安全評(píng)價(jià)方法研究［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2008，4(5):111－113.

［8］姚前.民航機(jī)場(chǎng)安全預(yù)警評(píng)價(jià)體系研究［J］.交通標(biāo)準(zhǔn)化，2009(15):198－201.

［9］成媛.民用機(jī)場(chǎng)安全風(fēng)險(xiǎn)評(píng)估模式研究［D］.天津:中國民航大學(xué)，2006.

［10］曾亮.多層次模糊評(píng)估法在民航不安全事件風(fēng)險(xiǎn)評(píng)估中的應(yīng)用［J］.中國安全科學(xué)學(xué)報(bào)，2008，18(1):131－138.

［11］金迪.航空公司運(yùn)行不安全事件安全風(fēng)險(xiǎn)管理方法研究［D］.上海:上海交通大學(xué)，2013.

［12］張健.SARIMA模型在預(yù)測(cè)中國 CPI中的應(yīng)用［J］.統(tǒng)計(jì)與決策，2011(5):28－30.

［13］徐富強(qiáng)，謝如龍，郝江鋒.基于神經(jīng)網(wǎng)絡(luò)與SVM的組合預(yù)測(cè)模型——以房地產(chǎn)價(jià)格預(yù)測(cè)為例［J］.巢湖學(xué)院學(xué)報(bào)，2012，14(6):1－7.

［14］李元誠，方廷健，于爾鏗.短期負(fù)荷預(yù)測(cè)的SVM方法研究［J］.中國電機(jī)工程學(xué)報(bào)，2003，23(6):55－59.

［15］李曦，王青，萬云輝，等.基于 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及其應(yīng)用研究［J］.泰山學(xué)院學(xué)報(bào)，2008(3):118－120.