（南京航空航天大學民航學院 南京 211106）

1 引言

近兩年，我國民航業(yè)面臨著多年少有的嚴峻復雜的國內(nèi)外形勢，仍舊處于穩(wěn)步發(fā)展的階段。根據(jù)中國民用航空局的發(fā)展統(tǒng)計公報，我國民航業(yè)的運輸航空百萬小時重大事故率十年滾動值為0.013，遠低于世界平均水平0.153，安全的運行水平為行業(yè)發(fā)展提供了堅實的保障。因此，如何保持、提高民航安全水平一直是民航發(fā)展的重要問題。而與造成嚴重后果的各種事故相比，民航運營中出現(xiàn)更多的是事故征候和不安全事件。事故征候的出現(xiàn)是事故發(fā)生的表征［1］，若不對其采取有效的糾正與控制措施，在一定的觸發(fā)因素作用下，就有可能轉(zhuǎn)化為實際的事故，對其進行分析預(yù)測有助于減少潛在風險，提高安全水平。

目前對事故癥候率的預(yù)測國內(nèi)外也有了很多研究，杜毅［2］運用灰色理論，解決了無法精確地建立數(shù)學模型對飛行事故率和飛行事故征候率的關(guān)系進行描述的問題；王永剛，呂學梅［3］用灰色模型進行了事故征候之間的關(guān)聯(lián)度分析；王永剛，鄭紅運［4］構(gòu)建了航空運輸事故征候的最優(yōu)變權(quán)組合預(yù)測模型；張粉婷［5］運用Bow-tie方法對通用航空運行不安全因素進行研究，建立通用航空安全管理體系框架；于思璇，王華偉［6］運用稀疏降噪自編碼算法，較為精確地通過當月的事故征候預(yù)測出當月的事故征候萬架次率；孫瑞山等［7］用改進的關(guān)聯(lián)度分析確定了影響民航事故征候的關(guān)鍵因素，并使用三角模糊數(shù)從時間序列進行了預(yù)測；Fullwood［8］等運用線性回歸方法，基于事故數(shù)據(jù)預(yù)測了航空安全趨勢；Abdoulaye Diamoutene［9］利用廣義帕累托分布來預(yù)測未來的運營中極端通航事故的死亡人數(shù)。但是，以上方式均需要大量數(shù)據(jù)，有些不必要的指標數(shù)據(jù)收集增大了調(diào)查難度以及模型的計算速度。

本文提出了一種主成分分析法、遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法，基于不安全事件對事故征候率進行預(yù)測。主成分分析過程中的因子分析為風險評價體系的優(yōu)化提供了依據(jù)，且可以對指標進行降維，提高后續(xù)預(yù)測模型的運行速度。遺傳算法對神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值進行了優(yōu)化，提高了預(yù)測結(jié)果的穩(wěn)定性，改善了神經(jīng)網(wǎng)絡(luò)模型易陷入局部最優(yōu)的問題。

2 基于主成分分析法的風險評價體系

1）本文采用中國民航不安全事件統(tǒng)計分析報告中的分類方式，以原因?qū)Σ话踩录M行分類，構(gòu)建出如圖1所示的初始的風險評價體系。

圖1 初始風險評價體系

2）對原始數(shù)據(jù)進行標準化處理。假設(shè)進行主成分分析的指標變量有m個，分別為1，2，…，n，共有n個評價對象，第i個評價對象的第j個指標的取值 為aij。通過j=1，2，…m將各指標值轉(zhuǎn)換成標準化指標值。其中 ，j=1，2，…，m，即，uj和sj為第j個指標的樣本平均值和樣本標準差。

3）主成分分析法計算相關(guān)系數(shù)矩陣R及風險評價體系優(yōu)化。

指標間的相關(guān)系數(shù)計算結(jié)果如表1所示，從表中的數(shù)據(jù)進行分析，同一二級指標下的三級指標之間相關(guān)性較高，如雷擊這一指標，與外來物擊中、空中顛簸之間的相關(guān)系數(shù)高達0.908、0.962，而與其他指標的相關(guān)系數(shù)都較低或為負相關(guān)。但觀察危險接近這一指標，與同為機組原因引發(fā)的重著陸指標相關(guān)性為負，而與空管原因引發(fā)的跑道入侵事件相關(guān)系數(shù)高達0.974，因此，對評價體系作出優(yōu)化，如圖2所示。

圖2 優(yōu)化后的風險評價體系

4）相關(guān)矩陣特征值和累計貢獻率計算分析。其中貢獻率bj計算公式為

表2 主成分累計貢獻率

選取初始特征值大于1的成分，從計算結(jié)果來看，這四個主成分累計貢獻率達到了83.132%，已經(jīng)包含了絕大部分的數(shù)據(jù)信息，因此，選取前四個成分作進一步分析。

表3 成分矩陣

根據(jù)成分矩陣和主成分貢獻率結(jié)果，我們可以得出三級指標的貢獻率排序：重著陸，外來物擊中，機務(wù)維護、維修，空中顛簸，地面障礙物，雷擊，空中失火、解體、冒煙，系統(tǒng)失效，燃油量低，客艙釋壓，通信中斷，危險接近，跑道入侵，爆胎，迷航、偏航。其中，重著陸，外來物擊中，機務(wù)維護、維修，跑道入侵，地面障礙物，雷擊，空中失火、解體、冒煙，系統(tǒng)失效，燃油量低，客艙釋壓與主成分關(guān)聯(lián)為正，因此選擇這10個指標的數(shù)據(jù)進行風險預(yù)測。

3 GA-BP預(yù)測模型的構(gòu)建與應(yīng)用分析

3.1 BP模型

典型BP神經(jīng)網(wǎng)絡(luò)練過程分為前向傳播和后向傳播［10］，前向傳播過程用于計算網(wǎng)絡(luò)的輸出，后向傳播則是根據(jù)誤差反饋調(diào)整網(wǎng)絡(luò)權(quán)值和偏置，繼續(xù)訓練直到輸出誤差在允許范圍內(nèi)停止。

BP網(wǎng)絡(luò)在初始化階段，給每個網(wǎng)絡(luò)權(quán)重和偏置一個很小的隨機數(shù)，一般為（-1，1），祌經(jīng)元的偏置可以看作是其自身的權(quán)重。記第p個樣本在輸出層第j個神經(jīng)元節(jié)點的實際輸出為ypj，期望輸出為tpj，那么BP網(wǎng)絡(luò)結(jié)構(gòu)的誤差指標函數(shù)為

其中，ε是εp為元素的向量，其Jacabi矩陣記為J。BP網(wǎng)絡(luò)各層神經(jīng)元的連接權(quán)值用向量W表示，k表示迭代步數(shù)，則Wk表示第k次迭代的網(wǎng)絡(luò)權(quán)值向量，下一步新的權(quán)值向量為Wk+1。已知移動量Wk+1-Wk很小，則ε的一階泰勒級數(shù)及誤差函數(shù)為

BP神經(jīng)網(wǎng)絡(luò)采用的是梯度最速下降法，沿負梯度方向迭代，使誤差函數(shù)不斷減小，直到取得最小誤差后停止訓練［11］。

梯度計算公式及梯度下降法的向量表達式，其中，參數(shù)μ的作用是控制迭代的步長［12］：

3.2 GA-BP模型

遺傳算法是一種概率性的自適應(yīng)迭代尋優(yōu)過程，由于其適應(yīng)度函數(shù)是不連續(xù)、無規(guī)則的，因此可以用來優(yōu)化BP網(wǎng)絡(luò)模型的初始權(quán)重和閾值，避免BP網(wǎng)絡(luò)有時會陷入局部最優(yōu)的問題，過程如圖3所示。

圖3 GA-BP算法流程圖

3.3 GA-BP模型算例分析

3.3.1 GA-BP模型參數(shù)優(yōu)化

1）迭代次數(shù)

將初始的迭代次數(shù)設(shè)置為50，對圖4適應(yīng)度曲線進行觀察，可以看出在迭代次數(shù)接近10時，適應(yīng)度已經(jīng)趨于穩(wěn)定，因此，設(shè)定模型的迭代次數(shù)為10。

圖4 適應(yīng)度曲線迭代次數(shù)圖

2）神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)

圖5 隱藏層節(jié)點數(shù)與準確率關(guān)系圖

圖6 預(yù)測結(jié)果圖

3.3.2 模型性能對比分析

1）PCA-GA-BP與PCA-BP網(wǎng)絡(luò)對比

如圖7、圖8對比圖所示，PCA-GA-BP模型的10次運行準確率集中在91.5%～94.3%之間，平均準確率為93.444%，而PCA-BP模型的10次運行準確率集中在90.5%～94.1%之間，平均準確率為91.885%。兩者進行對比，可以看出PCA-GA-BP模型的準確率更高，且運算準確率較為集中，模型的性能更加穩(wěn)定。

圖7 PCA-GA-BP與PCA-BP模型10次運行結(jié)果箱線圖

圖8 PCA-GA-BP與PCA-BP模型10次運行結(jié)果對比圖

2）PCA-GA-BP與GA-BP網(wǎng)絡(luò)對比

圖9為PCA-GA-BP與GA-BP模型10次運行結(jié)果［13］，PCA-GA-BP 模型的平均準確率為93.444%，而GA-BP模型的平均準確率為93.445%。兩個模型之間的預(yù)測準確率較為接近，證明主成分分析法篩選的指標較為完整地保留了特征信息。圖10為PCA-GA-BP與GA-BP模型10次運行時間對比，可以看出相比于直接將數(shù)據(jù)輸入GA-BP模型計算，PCA-GA-BP模型先對數(shù)據(jù)進行降維再進行運算，大大降低了運算時間。綜合PCA-GA-BP與GA-BP模型的運算精度與運算時間結(jié)果，可以看出PCA-GA-BP模型在降低預(yù)測精確度的基礎(chǔ)上大大提高了運行速度。

圖9 PCA-GA-BP與GA-BP模型10次運行結(jié)果對比圖

圖10 PCA-GA-BP與GA-BP模型10次運行時間對比圖

4 結(jié)語

本文構(gòu)建PCA-GA-BP組合預(yù)報模型對民航事故征率進行預(yù)測，并通過主成分分析中的因子相關(guān)性分析結(jié)果得到了優(yōu)化的民航風險評價體系。模型經(jīng)過數(shù)次參數(shù)調(diào)試，選取了10作為迭代次數(shù)，13作為隱藏層節(jié)點數(shù)。研究結(jié)果表面，PCA-GABP模型的準確率達到93.444%，遠高于BP模型91.885%的準確率，并與GA-BP模型93.445%的準確率相近，且運行速度僅為GA-BP模型的一半。PCA-GA-BP科學地對數(shù)據(jù)進行了降維，保留了記錄主要特征信息的指標，提高了預(yù)測的精確度和速度，為民航事故征候率預(yù)測提供了更為科學的辦法，有一定的推廣價值。

本文對模型進行了多次重復實驗來驗證模型的穩(wěn)定性。實驗結(jié)果表明，PCA-GA-BP模型的10次運行準確率集中在91.5%～94.3%之間，而PCABP模型的10次運行準確率集中在90.5%～94.1%之間，PCA-GA-BP模型的預(yù)測結(jié)果更加穩(wěn)定且更加精確，有效地避免了神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的問題。

所采集到的不安全事件數(shù)據(jù)比較有限，如果樣本量增大，會進一步提高模型精度，未來可以采取數(shù)據(jù)遷移學習等方式來彌補樣本量不足的問題，進一步提高模型的精度。