[发明专利]基于PCA与深度置信网络的民航安全风险指数预测方法

说明书

本发明公开了一种基于PCA与深度置信网络的民航安全风险指数预测方法，该方法挖掘民航不安全事件与民航安全风险指数之间的映射关系，应用主成分分析方法和深度置信网络，建立民航安全风险预测模型。该方法解决了现有技术中民航风险预测方法中影响参数过少，随着数据量的增加简单数学模型预测效果差等问题。

技术领域

本发明属于航空安全技术领域，具体涉及一种能够民航安全风险指数的预测方法。

背景技术

民航安全风险预测是民航安全风险管理的重要内容，对民航安全的管理，尤其是识别潜在风险和合理分配民航管理资源以及航空公司运营成本控制都有重要影响。不安全事件的识别可以发现事故发生的危险源，探知有可能存在的危险因素，对于提升民航安全管理效果及效率意义重大。风险指数的高低不仅在一定程度上反映了不安全事件发生的严重度和频率，更是反映了民航安全水平。当前依靠简单的数学模型只能预测风险指数，不能深入探讨风险指数与不安全事件之间的深层关系，进而无法做到在民航安全管理中对风险源的识别和潜在风险的提前控制，因此有必要挖掘民航不安全事件与风险预测之间的深层次联系，提高风险预测的准确度。

发明内容

发明目的：本发明的目的在于提供一种民航安全风险指数预测方法，以解决现有技术中民航风险预测方法中影响参数过少，随着数据量的增加简单数学模型预测效果差等问题。

技术方案：本发明采用如下技术方案：

基于PCA与深度置信网络的民航安全风险指数预测方法，包括民航安全风险预测模型建立阶段和民航安全风险指数预测阶段；所述民航安全风险预测模型建立阶段包括如下步骤：

(1)提取S年的民航不安全事件，将其划分为K类，对每年每个不安全事件进行量化，得到S年民航不安全事件量化矩阵X＝(X₁,X₂…X_k…X_K)；其中X_k为S年第k类民航不安全事件量化矩阵，k＝1,2,…,K；其中x_q为S维向量，q＝1,2,…,Q_k，Q_k为第k类民航不安全事件所包含的不安全事件个数；

获取S年对应的民航安全风险指数Y＝(y₁,y₂,…y_s…y_S)^T；

(2)对每一类不安全事件采用主成分分析降维，设第k类民航不安全事件量化矩阵X_k降维后为对应的低维特征空间为Φ_k；

(3)建立民航安全风险预测的深度置信模型，所述模型包括L个堆叠的限制玻尔兹曼机，所述L个堆叠的限制玻尔兹曼机中第l个限制玻尔兹曼机的隐藏层是第l+1个限制玻尔兹曼机的可见层；所述L个堆叠的限制玻尔兹曼机中第一个限制玻尔兹曼机的可见层有K个节点，第L个限制玻尔兹曼机的隐藏层有1个节点；l＝1,2,…,L-1；

(4)对民航安全风险预测的深度置信模型进行训练，优化模型参数，得到民航安全风险预测模型；

所述民航安全风险指数预测阶段包括：

获取待预测年度的民航不安全事件，并按照步骤(1)中的方法对其进行分类、量化，得到待预测年度的K类民航不安全事件量化向量，将每一类民航不安全事件量化向量映射到步骤2中对应的低维特征空间，得到降维后的向量z_k，将K个降维后的向量输入到训练好的民航安全风险预测模型中，模型的输出即为待预测年度的民航安全风险指数的预测值。

步骤(1)中不安全事件量化后的值组成向量x_q，x_q中的第s个元素的值为第s年、第k类民航不安全事件中第q个不安全事件发生次数与飞行小时数的比值，s＝1,2,…,S。