盧 竹，張 君

基于BP神經(jīng)網(wǎng)絡(luò)的民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)研究

盧 竹，張 君

(長(zhǎng)沙航空職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410124)

以長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)從2010年1月1日至2016年12月31日期間共96個(gè)月的樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練和檢驗(yàn)，結(jié)果表明，目標(biāo)誤差率達(dá)到最低要求，證明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)預(yù)報(bào)具有可行性，為研究民航機(jī)場(chǎng)安全預(yù)警問(wèn)題提供新的思路和方法。

BP 神經(jīng)網(wǎng)絡(luò)；機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)；MATLAB實(shí)現(xiàn)

機(jī)場(chǎng)飛行區(qū)安全系統(tǒng)由若干個(gè)子系統(tǒng)有機(jī)組合而成，包括場(chǎng)道條件、航空器、車(chē)輛、通信導(dǎo)航設(shè)備等物質(zhì)因素，以及氣候條件、規(guī)章制度、人員技術(shù)水平、工作規(guī)程等非物質(zhì)因素。由于系統(tǒng)處于隨機(jī)變化的動(dòng)態(tài)發(fā)展過(guò)程中，內(nèi)部各因素之間關(guān)聯(lián)方式錯(cuò)綜復(fù)雜，必須選取合理的指標(biāo)體系，在一定程度上實(shí)現(xiàn)對(duì)飛行區(qū)安全事故的預(yù)測(cè)。常用于事故預(yù)測(cè)的數(shù)學(xué)模型有時(shí)間序列模型、回歸模型和灰色預(yù)測(cè)模型。時(shí)間序列模型和回歸模型強(qiáng)調(diào)大量的歷史數(shù)據(jù)，灰色預(yù)測(cè)模型一般用于數(shù)據(jù)量少且波動(dòng)性不大的事故預(yù)測(cè)。機(jī)場(chǎng)飛行區(qū)安全系統(tǒng)各因素呈高度的非線性關(guān)系，隨機(jī)波動(dòng)大，且隨著民航運(yùn)輸?shù)娘w速發(fā)展，其歷史數(shù)據(jù)對(duì)未來(lái)預(yù)測(cè)的參考價(jià)值非常低，因此，以上幾種數(shù)學(xué)模型不適合進(jìn)行飛行區(qū)安全事故預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)，可對(duì)多成因的、非線性的復(fù)雜未知信息數(shù)據(jù)建立模型。由于MATLAB軟件提供了系統(tǒng)的神經(jīng)網(wǎng)絡(luò)工具箱，可利用此工具箱建立預(yù)測(cè)模型。本文采用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)民航機(jī)場(chǎng)飛行區(qū)安全事故預(yù)測(cè)進(jìn)行研究，通過(guò)MATLAB軟件的多次訓(xùn)練檢驗(yàn)?zāi)Ｐ偷目茖W(xué)合理性，以期改進(jìn)現(xiàn)有預(yù)測(cè)模型存在的不足，完善民航機(jī)場(chǎng)安全事故預(yù)測(cè)方面的研究，提高民航運(yùn)輸安全事故防范的準(zhǔn)確性。

1 民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)模型的基本原理

BP神經(jīng)網(wǎng)絡(luò)是人工反向傳播網(wǎng)絡(luò)，由輸入層、輸出層和隱含層三層網(wǎng)絡(luò)構(gòu)成，信息從輸入層經(jīng)過(guò)若干個(gè)隱層后再向輸出層傳遞；每層均有一個(gè)或多個(gè)神經(jīng)元節(jié)點(diǎn)，但各神經(jīng)元節(jié)點(diǎn)之間無(wú)聯(lián)結(jié)，各神經(jīng)元只與下一層所有的神經(jīng)元有聯(lián)結(jié)。BP神經(jīng)網(wǎng)絡(luò)能對(duì)外界獲得的信號(hào)自動(dòng)歸納其分布規(guī)則，找尋其內(nèi)在規(guī)律，通過(guò)自身強(qiáng)大的非線性映射能力將計(jì)算輸出層的誤差變化值，通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿原來(lái)的正向傳播途徑反傳，不斷調(diào)整修改各神經(jīng)元的權(quán)值，直至實(shí)現(xiàn)目標(biāo)誤差值。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行民航機(jī)場(chǎng)飛行區(qū)事故預(yù)警，首先必須確定輸入變量和輸出變量，輸入變量為影響機(jī)場(chǎng)飛行區(qū)事故的主要因素，輸出變量為安全事故預(yù)警的不同級(jí)別。由于BP神經(jīng)網(wǎng)絡(luò)各層內(nèi)部各神經(jīng)元節(jié)點(diǎn)之間無(wú)聯(lián)結(jié)，所以無(wú)需考慮輸入層數(shù)據(jù)之間的相互作用，即無(wú)需考慮影響因素之間的權(quán)重關(guān)系。在BP神經(jīng)網(wǎng)絡(luò)的三個(gè)層級(jí)中，計(jì)算機(jī)在MATLAB運(yùn)行的網(wǎng)絡(luò)環(huán)境下，會(huì)自動(dòng)根據(jù)輸入數(shù)據(jù)和輸出數(shù)據(jù)的特征，尋找數(shù)據(jù)之間的聯(lián)系，從而自動(dòng)調(diào)整三層網(wǎng)絡(luò)之間的“系數(shù)”（BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值）。在權(quán)值和閥值不斷調(diào)整的過(guò)程中，當(dāng)目標(biāo)誤差和檢驗(yàn)誤差率達(dá)到預(yù)測(cè)標(biāo)準(zhǔn)，即網(wǎng)絡(luò)輸出的誤差減少到可接受的程度時(shí)，可停止MATLAB運(yùn)算訓(xùn)練，預(yù)測(cè)模型構(gòu)建成功。

2 民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)模型的構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)算法的基本流程

BP神經(jīng)網(wǎng)絡(luò)的建模依賴于正確的算法，算法是由信息的正向傳遞與誤差的反向傳播兩部分完成，通過(guò)修改權(quán)值使實(shí)際的輸出與期望的輸出盡可能接近。BP神經(jīng)網(wǎng)絡(luò)算法的具體流程為：

第一步，設(shè)置各權(quán)值和閾值的初始值，一般選?。?1，1）之間的隨機(jī)數(shù)。

第二步，設(shè)置輸入的p個(gè)訓(xùn)練樣本和期望輸出，對(duì)p個(gè)樣本依次完成第三步、第四步和第五步。輸入樣本為：Y=（Y1，Y2，…，Yn），期望樣本為：X=（X1，X2，…，Xn）（n表示各層神經(jīng)元個(gè)數(shù)）。

第三步，計(jì)算隱層和輸出層的輸出，公式為：x(p)＝ f(s(p)) ＝ f(W(p) x(p-1))

第四步，計(jì)算輸出層、隱含層和輸入層的訓(xùn)練誤差。

輸出層誤差公式：δj(p)＝(dqi-x(p))f'(sj(p))

隱含層和輸入層誤差公式：δj(p)＝f'(sj(p))Σ(n)k=pδj(p) Wkj(p+1)

第五步，按權(quán)值修正公式修正各層的權(quán)值和閾值。

第六步，所有的學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)都經(jīng)歷了第三、四、五步時(shí)，即完成了一個(gè)訓(xùn)練周期，此時(shí)計(jì)算誤差指標(biāo)。

第七步，根據(jù)實(shí)際情況，如果達(dá)到目標(biāo)誤差值則終止學(xué)習(xí)訓(xùn)練；否則重新學(xué)習(xí)訓(xùn)練。

2.2 民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)的變量確定

構(gòu)建合適的指標(biāo)體系是構(gòu)建民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)模型的基礎(chǔ)，飛行區(qū)主要指的是跑道、滑行道、機(jī)坪和凈空等四個(gè)區(qū)域，但影響機(jī)場(chǎng)飛行區(qū)事故的指標(biāo)繁多，涉及面廣。本文指標(biāo)體系的構(gòu)建在參考平蕓[1]、王洪德[2]、崔婷[3]、姚前[4]等人的研究成果基礎(chǔ)上，根據(jù)數(shù)據(jù)的可獲得性，基于指標(biāo)的內(nèi)在邏輯性和穩(wěn)定性原則，構(gòu)建民航機(jī)場(chǎng)飛行區(qū)事故預(yù)警的指標(biāo)體系，選取人為操作違規(guī)次數(shù)、行為人因素不安全事件發(fā)生率、緊急處理失當(dāng)次數(shù)、機(jī)務(wù)操作不當(dāng)次數(shù)、助航燈光設(shè)備維修失誤次數(shù)、導(dǎo)航設(shè)備失靈次數(shù)、場(chǎng)道危險(xiǎn)指數(shù)、航空器故障次數(shù)、車(chē)輛使用不當(dāng)次數(shù)、跑道非法侵入次數(shù)、標(biāo)志標(biāo)識(shí)不清指數(shù)、凈空鳥(niǎo)害程度、氣象誤報(bào)次數(shù)、空管指揮失誤率等14項(xiàng)指標(biāo)作為輸入變量。輸入變量結(jié)合了機(jī)場(chǎng)安全管理的“人、機(jī)、環(huán)、管”四個(gè)方面，涵蓋人員素質(zhì)、設(shè)備設(shè)施、場(chǎng)道條件、外部環(huán)境等多個(gè)因素，包含了人員因素也反映了設(shè)備、環(huán)境因素；能夠較為準(zhǔn)確地反映影響民航機(jī)場(chǎng)飛行區(qū)安全事故的主要因素，從而提高實(shí)驗(yàn)的準(zhǔn)確度。輸出變量設(shè)置為事故極小可能發(fā)生、事故可能發(fā)生和事故發(fā)生三個(gè)級(jí)別。

3 長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)模型及MATLAB實(shí)現(xiàn)

3.1 研究樣本

長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)是我國(guó)中部地區(qū)最為重要的航空樞紐港和客貨集散地，被SKYTRAX（國(guó)際航空運(yùn)輸評(píng)級(jí)組織）評(píng)選為國(guó)際三星級(jí)機(jī)場(chǎng)。長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)經(jīng)過(guò)多次改擴(kuò)建，機(jī)場(chǎng)飛行區(qū)等級(jí)現(xiàn)為4F級(jí)別，具備年接納客流量3100萬(wàn)人次、貨郵吞吐量32萬(wàn)噸、飛機(jī)起降24.4萬(wàn)架次的能力。本文選取長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)為實(shí)驗(yàn)對(duì)象，根據(jù)湖南省機(jī)場(chǎng)管理集團(tuán)內(nèi)部資料，選取從2010年1月1日至2016年12月31日期間，共96個(gè)月的安全事故記錄為實(shí)驗(yàn)基礎(chǔ)作為樣本。

3.2 數(shù)據(jù)處理

1）輸入變量主成分分析。根據(jù)湖南省機(jī)場(chǎng)管理集團(tuán)內(nèi)部資料，將涉及人為操作違規(guī)次數(shù)、行為人因素不安全事件發(fā)生率、緊急處理失當(dāng)次數(shù)、機(jī)務(wù)操作不當(dāng)次數(shù)、助航燈光設(shè)備維修失誤次數(shù)、導(dǎo)航設(shè)備失靈次數(shù)、場(chǎng)道危險(xiǎn)指數(shù)、航空器故障次數(shù)、車(chē)輛使用不當(dāng)次數(shù)、跑道非法侵入次數(shù)、標(biāo)志標(biāo)識(shí)不清指數(shù)、凈空鳥(niǎo)害程度、氣象誤報(bào)次數(shù)、空管指揮失誤率等14項(xiàng)指標(biāo)的數(shù)據(jù)進(jìn)行整理，經(jīng)過(guò)德?tīng)柗品ê蛯?zhuān)家打分量化后，利用SPSS軟件進(jìn)行主成分分析，通過(guò)效度和信度檢驗(yàn)，數(shù)據(jù)質(zhì)量表現(xiàn)出良好的穩(wěn)定性?？紤]模擬數(shù)據(jù)及其臨界值，將機(jī)場(chǎng)飛行區(qū)安全事故預(yù)測(cè)分為極小可能發(fā)生、可能發(fā)生和發(fā)生三個(gè)級(jí)別，二進(jìn)制分別表示為01、10、11。

2）歸一化處理。由于所有收集的數(shù)據(jù)處于不同的數(shù)量級(jí)，因此必須進(jìn)行歸一化處理，以消除變量數(shù)據(jù)間的數(shù)量級(jí)差別，提高網(wǎng)絡(luò)的收斂速度和訓(xùn)練速度。利用MATLAB 的歸一化處理函數(shù)對(duì)輸入輸出數(shù)據(jù)進(jìn)行處理，消除不同的物理意義和量綱的差別，解除激活函數(shù)的值域限制。通過(guò)歸一化處理，使輸入變量的數(shù)值在（0，1）之間。

3）初始權(quán)值和閾值的選取。初始權(quán)值和閾值不會(huì)影響網(wǎng)絡(luò)的收斂效果，但是決定著每個(gè)神經(jīng)元是否都處在其激活函數(shù)變化最大的位置。權(quán)值和閾值過(guò)大或者過(guò)小，都不利于訓(xùn)練過(guò)程的自我修正調(diào)節(jié)。在實(shí)際應(yīng)用中，對(duì)隱含層的初始權(quán)值和閾值采用最小值的方法；輸出層的初始權(quán)值和閾值則在（-1，1）的區(qū)間內(nèi)隨機(jī)選取相等的數(shù)值[5]。

4）隱含層節(jié)點(diǎn)數(shù)的確定。BP神經(jīng)網(wǎng)絡(luò)的核心和難點(diǎn)是隱含層節(jié)點(diǎn)數(shù)的確定，輸入層和輸出層的節(jié)點(diǎn)數(shù)（神經(jīng)元數(shù)）可由實(shí)際情況和訓(xùn)練對(duì)象確定，而最佳隱含層節(jié)點(diǎn)數(shù)的確定缺乏權(quán)威的理論指導(dǎo)依據(jù)。隱含層節(jié)點(diǎn)數(shù)太少，會(huì)導(dǎo)致從實(shí)驗(yàn)樣本中獲取信息的能力下降，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能力就會(huì)減弱甚至可能訓(xùn)練不出來(lái)；節(jié)點(diǎn)數(shù)太多，則可能產(chǎn)生“過(guò)度吻合”的現(xiàn)象，導(dǎo)致神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí)間延長(zhǎng)。本文通過(guò)多次測(cè)試和比較，最終選取8個(gè)隱含層節(jié)點(diǎn)。

5）學(xué)習(xí)率的選擇。BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練過(guò)程中，存在一個(gè)最佳學(xué)習(xí)率。一般而言，對(duì)于一個(gè)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)率的取值范圍在[0.1，0.7]的區(qū)間[6]。

本文采用MATLAB的神經(jīng)網(wǎng)絡(luò)（NEURAL NTEWORK）工具箱[7]來(lái)進(jìn)行事故預(yù)測(cè)實(shí)現(xiàn)試驗(yàn)，用NEWFF創(chuàng)建 BP神經(jīng)網(wǎng)絡(luò)，采用含有一層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)，模型網(wǎng)絡(luò)配置為14個(gè)輸入神經(jīng)元、8個(gè)隱含層神經(jīng)元和3個(gè)輸出神經(jīng)元。網(wǎng)絡(luò)初始化權(quán)值和閾值使用INITFF函數(shù)，網(wǎng)絡(luò)隱含層神經(jīng)元傳遞使用S型正切函數(shù)TANSIG[8]，輸出層神經(jīng)元傳遞使用S型對(duì)數(shù)函數(shù)LOGSIG，網(wǎng)絡(luò)訓(xùn)練使用TRAINLM和TRAINGDX二種函數(shù)，最大訓(xùn)練次數(shù)設(shè)為500次，學(xué)習(xí)率為 0.15，目標(biāo)誤差率定為 0.001。

3.3 結(jié)果分析

利用 MATLAB 對(duì)90組訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練后，訓(xùn)練誤差降低到了0.001（如圖1），實(shí)驗(yàn)結(jié)果證明，BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)機(jī)場(chǎng)飛行區(qū)安全事故的預(yù)測(cè)，實(shí)驗(yàn)精度達(dá)到了預(yù)期。

圖1 網(wǎng)絡(luò)訓(xùn)練的誤差變化曲線

利用剩下的6組測(cè)試檢驗(yàn)樣本數(shù)據(jù)對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，得到了如下結(jié)果（如表1），與實(shí)際情況十分接近。

表1 BP神經(jīng)網(wǎng)絡(luò)的期望輸出

從測(cè)試的結(jié)果來(lái)看，訓(xùn)練完成后的BP 神經(jīng)網(wǎng)絡(luò)的誤差值較小，利用 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)機(jī)場(chǎng)飛行區(qū)安全事故的誤差較小，所以通過(guò)BP 神經(jīng)網(wǎng)絡(luò)在一定條件下能夠一定程度上完成對(duì)機(jī)場(chǎng)飛行區(qū)安全事故的預(yù)測(cè)。

4 模型評(píng)價(jià)

本文提出了民航機(jī)場(chǎng)飛行區(qū)安全事故預(yù)警的指標(biāo)體系，并利用MATLAB計(jì)算軟件的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的民航機(jī)場(chǎng)飛行區(qū)安全事故預(yù)測(cè)模型。通過(guò)長(zhǎng)沙黃花國(guó)際機(jī)場(chǎng)2012年的樣本數(shù)據(jù)對(duì)建立起的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練和檢驗(yàn)，檢驗(yàn)結(jié)果表明，實(shí)際輸出與期望輸出十分接近，誤差率達(dá)到最低要求，證明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于民航機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)預(yù)報(bào)具有可行性和應(yīng)用價(jià)值。但是由于機(jī)場(chǎng)飛行區(qū)事故影響因素是非線性復(fù)雜的、可變的因子，所以民航機(jī)場(chǎng)飛行區(qū)安全事故還要結(jié)合其它數(shù)學(xué)方法，才能更好的完成預(yù)測(cè)目標(biāo)。在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型存在有待深入思考的問(wèn)題。

4.1 選擇關(guān)聯(lián)度高的輸入變量

一般情況下，輸入變量的數(shù)量越多，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度就會(huì)隨之上升，其機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)能力也會(huì)提高。但是，如果新增加的是不關(guān)變量，則會(huì)很大程度上干擾預(yù)測(cè)模型降低精確度。本文嘗試加入了飛機(jī)延誤率和航空公司危險(xiǎn)指數(shù)兩個(gè)新變量，而從實(shí)驗(yàn)的結(jié)果看，新增加的輸入變量使得模型的預(yù)測(cè)精度大幅下降。主要原因是與飛行區(qū)事故之間沒(méi)有直接的關(guān)系，這些變量的加入會(huì)干擾原神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。所以在基于 BP 神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)飛行區(qū)事故預(yù)測(cè)中，必須選擇科學(xué)合理的輸入變量，才能提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，進(jìn)而提高網(wǎng)絡(luò)預(yù)測(cè)民航機(jī)場(chǎng)飛行區(qū)事故的精確度。

4.2 使用收斂度高的激活函數(shù)導(dǎo)數(shù)

BP神經(jīng)網(wǎng)絡(luò)解決問(wèn)題的能力與效率很大程度上依賴于有效的激活函數(shù)，也是控制網(wǎng)絡(luò)最終輸出的重要函數(shù)。在本網(wǎng)絡(luò)隱含層神經(jīng)元傳遞使用的是S型正切函數(shù)TANSIG，輸出層神經(jīng)元傳遞使用的是S型對(duì)數(shù)函數(shù)LOGSIG。在實(shí)驗(yàn)過(guò)程中，發(fā)現(xiàn)導(dǎo)數(shù)的取值范圍如果過(guò)小或過(guò)窄，會(huì)導(dǎo)致權(quán)值的修正調(diào)整范圍變小，從而影響網(wǎng)絡(luò)的收斂速度。在設(shè)計(jì)激活函數(shù)時(shí)，應(yīng)盡量精確又簡(jiǎn)單明了便于計(jì)算，物理上易于實(shí)現(xiàn)且可靠；針對(duì)不同的實(shí)際問(wèn)題及樣本數(shù)據(jù)的特征與規(guī)律，激活函數(shù)導(dǎo)數(shù)的選擇也應(yīng)有所差別。

[1]平蕓.民航機(jī)場(chǎng)安全預(yù)警管理系統(tǒng)研究[D].武漢:武漢理工大學(xué),2003.

[2]王洪德,潘科.基于BP神經(jīng)網(wǎng)絡(luò)的民航機(jī)場(chǎng)安全預(yù)警研究[J].安全與環(huán)境學(xué)報(bào),2008,8(4): 139-143.

[3]崔婷,趙桂紅.我國(guó)民航機(jī)場(chǎng)安全水平的綜合評(píng)價(jià)[J].統(tǒng)計(jì)與決策,2009, (4):132-138.

[4]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, (202):198-201.

[5]王吉權(quán).神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D].沈陽(yáng):沈陽(yáng)農(nóng)業(yè)大學(xué),2011.

[6]劉天舒. BP 神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D].哈爾濱:東北農(nóng)業(yè)大學(xué),2011.

[7]錢(qián)利軍,李書(shū)全.基于粗糙集-人工神經(jīng)網(wǎng)絡(luò)的航空安全文化評(píng)價(jià)模型研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2009,19(10):132-138.

[8]單潮龍,馬偉明,賁可榮,等. BP人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用及其實(shí)現(xiàn)技術(shù)[J].海軍工程大學(xué)學(xué)報(bào),2000,(4):16-22.

Accident Prediction Study of Civil Aviation Airport based on the BP Neural Network

LU Zhu, ZHANG Jun
(Changsha Aeronautical Vocational and Technical College, Changsha Hunan410124)

The authors obtained data sample for 96 months from January 1, 2010 to 31 December, 2016 from Changsha Huanghua International Airport, and then established the BP neural network prediction model for training and testing. The test results show that the target error rate met minimum requirements, which proved it has the feasibility that the BP neural network is applied to the civil aviation airport airfield accident forecast,providing e new ideas and methods for the study of the civil aviation airport’s security early warning.

BP neural network; civil aviation airport airfield accident forecast; MATLAB implementation

U698

A

1671-9654(2017)04-0063-04

10.13829/j.cnki.issn.1671-9654.2017.04.016

2017-06-06

盧竹（1980- ），女，湖南長(zhǎng)沙人，副教授，管理學(xué)碩士，研究方向?yàn)闄C(jī)場(chǎng)運(yùn)行管理。

［編校：楊 琴］