盧 竹，張 君

基于BP神經(jīng)網(wǎng)絡的民航機場飛行區(qū)事故預測研究

盧 竹，張 君

(長沙航空職業(yè)技術學院，湖南 長沙 410124)

以長沙黃花國際機場從2010年1月1日至2016年12月31日期間共96個月的樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡預測模型進行訓練和檢驗，結果表明，目標誤差率達到最低要求，證明BP神經(jīng)網(wǎng)絡應用于民航機場飛行區(qū)事故預測預報具有可行性，為研究民航機場安全預警問題提供新的思路和方法。

BP 神經(jīng)網(wǎng)絡；機場飛行區(qū)事故預測；MATLAB實現(xiàn)

機場飛行區(qū)安全系統(tǒng)由若干個子系統(tǒng)有機組合而成，包括場道條件、航空器、車輛、通信導航設備等物質(zhì)因素，以及氣候條件、規(guī)章制度、人員技術水平、工作規(guī)程等非物質(zhì)因素。由于系統(tǒng)處于隨機變化的動態(tài)發(fā)展過程中，內(nèi)部各因素之間關聯(lián)方式錯綜復雜，必須選取合理的指標體系，在一定程度上實現(xiàn)對飛行區(qū)安全事故的預測。常用于事故預測的數(shù)學模型有時間序列模型、回歸模型和灰色預測模型。時間序列模型和回歸模型強調(diào)大量的歷史數(shù)據(jù)，灰色預測模型一般用于數(shù)據(jù)量少且波動性不大的事故預測。機場飛行區(qū)安全系統(tǒng)各因素呈高度的非線性關系，隨機波動大，且隨著民航運輸?shù)娘w速發(fā)展，其歷史數(shù)據(jù)對未來預測的參考價值非常低，因此，以上幾種數(shù)學模型不適合進行飛行區(qū)安全事故預測。BP神經(jīng)網(wǎng)絡是模擬人腦神經(jīng)的網(wǎng)絡結構，可對多成因的、非線性的復雜未知信息數(shù)據(jù)建立模型。由于MATLAB軟件提供了系統(tǒng)的神經(jīng)網(wǎng)絡工具箱，可利用此工具箱建立預測模型。本文采用BP人工神經(jīng)網(wǎng)絡對民航機場飛行區(qū)安全事故預測進行研究，通過MATLAB軟件的多次訓練檢驗模型的科學合理性，以期改進現(xiàn)有預測模型存在的不足，完善民航機場安全事故預測方面的研究，提高民航運輸安全事故防范的準確性。

1 民航機場飛行區(qū)事故預測模型的基本原理

BP神經(jīng)網(wǎng)絡是人工反向傳播網(wǎng)絡，由輸入層、輸出層和隱含層三層網(wǎng)絡構成，信息從輸入層經(jīng)過若干個隱層后再向輸出層傳遞；每層均有一個或多個神經(jīng)元節(jié)點，但各神經(jīng)元節(jié)點之間無聯(lián)結，各神經(jīng)元只與下一層所有的神經(jīng)元有聯(lián)結。BP神經(jīng)網(wǎng)絡能對外界獲得的信號自動歸納其分布規(guī)則，找尋其內(nèi)在規(guī)律，通過自身強大的非線性映射能力將計算輸出層的誤差變化值，通過網(wǎng)絡將誤差信號沿原來的正向傳播途徑反傳，不斷調(diào)整修改各神經(jīng)元的權值，直至實現(xiàn)目標誤差值。

運用BP神經(jīng)網(wǎng)絡進行民航機場飛行區(qū)事故預警，首先必須確定輸入變量和輸出變量，輸入變量為影響機場飛行區(qū)事故的主要因素，輸出變量為安全事故預警的不同級別。由于BP神經(jīng)網(wǎng)絡各層內(nèi)部各神經(jīng)元節(jié)點之間無聯(lián)結，所以無需考慮輸入層數(shù)據(jù)之間的相互作用，即無需考慮影響因素之間的權重關系。在BP神經(jīng)網(wǎng)絡的三個層級中，計算機在MATLAB運行的網(wǎng)絡環(huán)境下，會自動根據(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，從而自動調(diào)整三層網(wǎng)絡之間的“系數(shù)”（BP神經(jīng)網(wǎng)絡的權值和閥值）。在權值和閥值不斷調(diào)整的過程中，當目標誤差和檢驗誤差率達到預測標準，即網(wǎng)絡輸出的誤差減少到可接受的程度時，可停止MATLAB運算訓練，預測模型構建成功。

2 民航機場飛行區(qū)事故預測模型的構建

2.1 BP神經(jīng)網(wǎng)絡算法的基本流程

BP神經(jīng)網(wǎng)絡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，通過修改權值使實際的輸出與期望的輸出盡可能接近。BP神經(jīng)網(wǎng)絡算法的具體流程為：

第一步，設置各權值和閾值的初始值，一般選?。?1，1）之間的隨機數(shù)。

第二步，設置輸入的p個訓練樣本和期望輸出，對p個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)元個數(shù)）。

第三步，計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，計算輸出層、隱含層和輸入層的訓練誤差。

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，按權值修正公式修正各層的權值和閾值。

第六步，所有的學習訓練樣本數(shù)據(jù)都經(jīng)歷了第三、四、五步時，即完成了一個訓練周期，此時計算誤差指標。

第七步，根據(jù)實際情況，如果達到目標誤差值則終止學習訓練；否則重新學習訓練。

2.2 民航機場飛行區(qū)事故預測的變量確定

構建合適的指標體系是構建民航機場飛行區(qū)事故預測模型的基礎，飛行區(qū)主要指的是跑道、滑行道、機坪和凈空等四個區(qū)域，但影響機場飛行區(qū)事故的指標繁多，涉及面廣。本文指標體系的構建在參考平蕓[1]、王洪德[2]、崔婷[3]、姚前[4]等人的研究成果基礎上，根據(jù)數(shù)據(jù)的可獲得性，基于指標的內(nèi)在邏輯性和穩(wěn)定性原則，構建民航機場飛行區(qū)事故預警的指標體系，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、緊急處理失當次數(shù)、機務操作不當次數(shù)、助航燈光設備維修失誤次數(shù)、導航設備失靈次數(shù)、場道危險指數(shù)、航空器故障次數(shù)、車輛使用不當次數(shù)、跑道非法侵入次數(shù)、標志標識不清指數(shù)、凈空鳥害程度、氣象誤報次數(shù)、空管指揮失誤率等14項指標作為輸入變量。輸入變量結合了機場安全管理的“人、機、環(huán)、管”四個方面，涵蓋人員素質(zhì)、設備設施、場道條件、外部環(huán)境等多個因素，包含了人員因素也反映了設備、環(huán)境因素；能夠較為準確地反映影響民航機場飛行區(qū)安全事故的主要因素，從而提高實驗的準確度。輸出變量設置為事故極小可能發(fā)生、事故可能發(fā)生和事故發(fā)生三個級別。

3 長沙黃花國際機場飛行區(qū)事故預測模型及MATLAB實現(xiàn)

3.1 研究樣本

長沙黃花國際機場是我國中部地區(qū)最為重要的航空樞紐港和客貨集散地，被SKYTRAX（國際航空運輸評級組織）評選為國際三星級機場。長沙黃花國際機場經(jīng)過多次改擴建，機場飛行區(qū)等級現(xiàn)為4F級別，具備年接納客流量3100萬人次、貨郵吞吐量32萬噸、飛機起降24.4萬架次的能力。本文選取長沙黃花國際機場為實驗對象，根據(jù)湖南省機場管理集團內(nèi)部資料，選取從2010年1月1日至2016年12月31日期間，共96個月的安全事故記錄為實驗基礎作為樣本。

3.2 數(shù)據(jù)處理

1）輸入變量主成分分析。根據(jù)湖南省機場管理集團內(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、緊急處理失當次數(shù)、機務操作不當次數(shù)、助航燈光設備維修失誤次數(shù)、導航設備失靈次數(shù)、場道危險指數(shù)、航空器故障次數(shù)、車輛使用不當次數(shù)、跑道非法侵入次數(shù)、標志標識不清指數(shù)、凈空鳥害程度、氣象誤報次數(shù)、空管指揮失誤率等14項指標的數(shù)據(jù)進行整理，經(jīng)過德爾菲法和專家打分量化后，利用SPSS軟件進行主成分分析，通過效度和信度檢驗，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，將機場飛行區(qū)安全事故預測分為極小可能發(fā)生、可能發(fā)生和發(fā)生三個級別，二進制分別表示為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，因此必須進行歸一化處理，以消除變量數(shù)據(jù)間的數(shù)量級差別，提高網(wǎng)絡的收斂速度和訓練速度。利用MATLAB 的歸一化處理函數(shù)對輸入輸出數(shù)據(jù)進行處理，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。通過歸一化處理，使輸入變量的數(shù)值在（0，1）之間。

3）初始權值和閾值的選取。初始權值和閾值不會影響網(wǎng)絡的收斂效果，但是決定著每個神經(jīng)元是否都處在其激活函數(shù)變化最大的位置。權值和閾值過大或者過小，都不利于訓練過程的自我修正調(diào)節(jié)。在實際應用中，對隱含層的初始權值和閾值采用最小值的方法；輸出層的初始權值和閾值則在（-1，1）的區(qū)間內(nèi)隨機選取相等的數(shù)值[5]。

4）隱含層節(jié)點數(shù)的確定。BP神經(jīng)網(wǎng)絡的核心和難點是隱含層節(jié)點數(shù)的確定，輸入層和輸出層的節(jié)點數(shù)（神經(jīng)元數(shù)）可由實際情況和訓練對象確定，而最佳隱含層節(jié)點數(shù)的確定缺乏權威的理論指導依據(jù)。隱含層節(jié)點數(shù)太少，會導致從實驗樣本中獲取信息的能力下降，神經(jīng)網(wǎng)絡的訓練能力就會減弱甚至可能訓練不出來；節(jié)點數(shù)太多，則可能產(chǎn)生“過度吻合”的現(xiàn)象，導致神經(jīng)網(wǎng)絡學習訓練時間延長。本文通過多次測試和比較，最終選取8個隱含層節(jié)點。

5）學習率的選擇。BP神經(jīng)網(wǎng)絡在學習訓練過程中，存在一個最佳學習率。一般而言，對于一個標準BP神經(jīng)網(wǎng)絡，學習率的取值范圍在[0.1，0.7]的區(qū)間[6]。

本文采用MATLAB的神經(jīng)網(wǎng)絡（NEURAL NTEWORK）工具箱[7]來進行事故預測實現(xiàn)試驗，用NEWFF創(chuàng)建 BP神經(jīng)網(wǎng)絡，采用含有一層隱含層的三層網(wǎng)絡結構，模型網(wǎng)絡配置為14個輸入神經(jīng)元、8個隱含層神經(jīng)元和3個輸出神經(jīng)元。網(wǎng)絡初始化權值和閾值使用INITFF函數(shù)，網(wǎng)絡隱含層神經(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型對數(shù)函數(shù)LOGSIG，網(wǎng)絡訓練使用TRAINLM和TRAINGDX二種函數(shù)，最大訓練次數(shù)設為500次，學習率為 0.15，目標誤差率定為 0.001。

3.3 結果分析

利用 MATLAB 對90組訓練樣本數(shù)據(jù)進行訓練后，訓練誤差降低到了0.001（如圖1），實驗結果證明，BP 神經(jīng)網(wǎng)絡實現(xiàn)了對機場飛行區(qū)安全事故的預測，實驗精度達到了預期。

圖1 網(wǎng)絡訓練的誤差變化曲線

利用剩下的6組測試檢驗樣本數(shù)據(jù)對BP 神經(jīng)網(wǎng)絡進行測試，得到了如下結果（如表1），與實際情況十分接近。

表1 BP神經(jīng)網(wǎng)絡的期望輸出

從測試的結果來看，訓練完成后的BP 神經(jīng)網(wǎng)絡的誤差值較小，利用 BP 神經(jīng)網(wǎng)絡預測機場飛行區(qū)安全事故的誤差較小，所以通過BP 神經(jīng)網(wǎng)絡在一定條件下能夠一定程度上完成對機場飛行區(qū)安全事故的預測。

4 模型評價

本文提出了民航機場飛行區(qū)安全事故預警的指標體系，并利用MATLAB計算軟件的神經(jīng)網(wǎng)絡工具箱構建了基于BP神經(jīng)網(wǎng)絡的民航機場飛行區(qū)安全事故預測模型。通過長沙黃花國際機場2012年的樣本數(shù)據(jù)對建立起的BP神經(jīng)網(wǎng)絡預測模型進行訓練和檢驗，檢驗結果表明，實際輸出與期望輸出十分接近，誤差率達到最低要求，證明BP神經(jīng)網(wǎng)絡應用于民航機場飛行區(qū)事故預測預報具有可行性和應用價值。但是由于機場飛行區(qū)事故影響因素是非線性復雜的、可變的因子，所以民航機場飛行區(qū)安全事故還要結合其它數(shù)學方法，才能更好的完成預測目標。在實驗過程中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡的預測模型存在有待深入思考的問題。

4.1 選擇關聯(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)絡預測的精度就會隨之上升，其機場飛行區(qū)事故預測能力也會提高。但是，如果新增加的是不關變量，則會很大程度上干擾預測模型降低精確度。本文嘗試加入了飛機延誤率和航空公司危險指數(shù)兩個新變量，而從實驗的結果看，新增加的輸入變量使得模型的預測精度大幅下降。主要原因是與飛行區(qū)事故之間沒有直接的關系，這些變量的加入會干擾原神經(jīng)網(wǎng)絡的預測能力。所以在基于 BP 神經(jīng)網(wǎng)絡的機場飛行區(qū)事故預測中，必須選擇科學合理的輸入變量，才能提高BP神經(jīng)網(wǎng)絡的預測能力，進而提高網(wǎng)絡預測民航機場飛行區(qū)事故的精確度。

4.2 使用收斂度高的激活函數(shù)導數(shù)

BP神經(jīng)網(wǎng)絡解決問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)絡最終輸出的重要函數(shù)。在本網(wǎng)絡隱含層神經(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型對數(shù)函數(shù)LOGSIG。在實驗過程中，發(fā)現(xiàn)導數(shù)的取值范圍如果過小或過窄，會導致權值的修正調(diào)整范圍變小，從而影響網(wǎng)絡的收斂速度。在設計激活函數(shù)時，應盡量精確又簡單明了便于計算，物理上易于實現(xiàn)且可靠；針對不同的實際問題及樣本數(shù)據(jù)的特征與規(guī)律，激活函數(shù)導數(shù)的選擇也應有所差別。

[1]平蕓.民航機場安全預警管理系統(tǒng)研究[D].武漢:武漢理工大學,2003.

[2]王洪德,潘科.基于BP神經(jīng)網(wǎng)絡的民航機場安全預警研究[J].安全與環(huán)境學報,2008,8(4): 139-143.

[3]崔婷,趙桂紅.我國民航機場安全水平的綜合評價[J].統(tǒng)計與決策,2009, (4):132-138.

[4]姚前.民航機場安全預警評價體系研究[J].交通標準化,2009, (202):198-201.

[5]王吉權.神經(jīng)網(wǎng)絡的理論及其在農(nóng)業(yè)機械化中的應用研究[D].沈陽:沈陽農(nóng)業(yè)大學,2011.

[6]劉天舒. BP 神經(jīng)網(wǎng)絡的改進研究及應用[D].哈爾濱:東北農(nóng)業(yè)大學,2011.

[7]錢利軍,李書全.基于粗糙集-人工神經(jīng)網(wǎng)絡的航空安全文化評價模型研究[J].中國安全科學學報,2009,19(10):132-138.

[8]單潮龍,馬偉明,賁可榮,等. BP人工神經(jīng)網(wǎng)絡的應用及其實現(xiàn)技術[J].海軍工程大學學報,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，湖南長沙人，副教授，管理學碩士，研究方向為機場運行管理。

［編校：楊 琴］