基于ARIMA模型的航空装备事故时序预测

为提高航空装备事故预防的针对性、有效性和主动性,预防和减少事故的发生,降低事故造成的损失,提出一种时序的差分自回归滑动平均(ARIMA)模型。其建模过程先在时间序列基础上辨识一个试用模型,然后加以诊断,并作出必要调整,反复进行辨识、估计、诊断,直至获得较为满意的ARIMA预测模型。在实例验证中,所构建的用来预测美国空军飞行事故万时率的ARIMA模型,能够将预测的平均相对误差控制在7%以内,预测结果总体反映航空装备的实际安全状况。

基于ARIMA、LS-SVM和BP神经网络组合模型的航空运输飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)、最小二乘支持向量机模型(LS-SVM)和BP神经网络模型(BPNN)的组合模型,对某航空公司运输的月度飞行事故征候万时率进行预测分析。首先,利用2008—2016年某航空公司的事故征候、飞行小时、航空器数量、原油价格等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获取飞行事故征候万时率的线性部分;然后,利用LS-SVM和BP神经网络建模,获取飞行事故征候万时率的非线性部分;最后,利用DS证据理论,实现三者的融合,获得ARIMA+LS-SVM+BPNN组合模型,利用组合模型对2017年1至3月该航空公司的月度飞行事故征候万时率进行预测,并用实际数据进行了验证。结果表明:组合模型较好地拟合了飞行事故征候万时率的历史序列,并获得了较高的预测精度;组合模型的短期(3个月)预测值与该航空公司飞行事故征候万时率的变化趋势完全一致,且预测精确度可接受。该研究可为航空公司安全与运行的趋势分析与判断提供数据依据,也可为航空公司制定针对性的飞行事故征候防控方案提供帮助。

中国民航典型征候的趋势研究

为研究中国民航征候数量的变化趋势,根据中国民用航空安全信息统计报告,收集中国民航2000—2020年的5591条征候数据;通过扩展的迪克富勒(ADF)检验、恩格尔-格兰杰(EG)检验等时间序列分析技术,分析中国民航总征候数量与7种典型征候数量的趋势特征;结合行业飞行小时(FH)数据,探究总征候数量、不同典型征候数量与飞行小时数的长期均衡关系。结果表明:2000—2020年,全行业的飞行小时数与总征候数总体呈现增长趋势,为非平稳的单位根过程;在7种典型征候中,鸟击、雷击、撞障碍物和危险接近的数量具有非平稳特征,且前3种征候呈上升趋势。发动机空中停车、冲、偏出跑道、非起落架部位接地的数量为趋势平稳过程,并呈现下降趋势;总征候及鸟击、雷击、撞障碍物等具有上升趋势的典型征候和飞行小时同阶单整,雷击征候数与飞行小时数之间存在稳定的长期均衡关系即协整关系,协整回归模型显示飞行小时数变动1%,雷击征候数量也将随之同向变动2.059%。