一种基于MLP神经网络的大额损失飞行事故预测模型

第３２卷第５期　２０１６年１Ｏ月　上海电　力　学　院　学报　ＶＯ１．３２．Ｎｏ．５　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　０Ｃｔ．　２０１６　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００６—４７２９．２０１６．０５．０１９　一种基于ＭＬＰ神经网络的大额损失飞行　事故预测模型　于洪霞　，李兴　２０１３９９；　（１．上海电力学院数理学院，上海２．华泰财产保险有限公司电商事业部，上海摘２０１３１５）　要：运用多层感知器（ＭＬＰ）神经网络方法构建了大额损失飞行事故的预测模型，并利用ＣＡＳＥ数据库中　抽取的飞行事故案例进行了检验．预测效果检验表明，所构建的模型具有较好的拟合程度和预测效果．机身价　值和机龄是大额损失飞行事故的重要影响因素．　关键词：大额损失飞行事故；分类变量；多层感知器；神经网络方法　中图分类号：Ｘ９２８．０３；Ｏ２１２　文献标志码：Ａ　文章编号：１００６—４７２９（２０１６）０５—０５０４一Ｏ３　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｆｏｒｅｃａｓｔ　Ｍｏｄｅｌ　ｏｆ　Ｍａｊｏｒ　Ｌｏｓｓ　Ｆｌｉｇｈｔ　Ａｃｃｉｄｅｎｔｓ　Ｂａｓｅｄ　ｏｎ　ＭＬＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　Ｍｅｔｈｏｄ　ＹＵ　Ｈｏｎｇｘｉａ　．ＬＩ　Ｘｉｎｇ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ　ａｎｄ　Ｐｈｙｓｉｃｓ，Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ，Ｓｈａｎｇｈａｉ　２０１　３９９，Ｃｈｉｎａ；　２．Ｅｃｏｍｍｅｒｃｅ　Ｂｕｓｉｎｅｓｓ　Ｕｎｉｔ，Ｈｕａｔａｉ　Ｐ＆Ｃ　Ｉｎｓｕｒａｎｃｅ　Ｃｏ．Ｌｔｄ，Ｓｈａｎｇｈａｉ　２０１３１５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：　Ｍｕｌｔｉｌａｙｅｒ　Ｐｅｒｃｅｐｔｒｏｎ（ＭＬＰ）ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｍｅｔｈｏｄ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　ｂｕｉｌｄ　ａ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ　ｏｆ　ｍａｊｏｒ　ｌｏｓｓ　ｆｌｉｇｈｔ　ａｃｃｉｄｅｎｔｓ。Ｔｈｅｎ　ｔｈｅ　ｍｏｄｅｌ　ｉｓ　ｔｅｓｔｅｄ　ｗｉｔｈ　ｓａｍｐｌｅ　ｄａｔａ　ｉｎ　ＣＡＳＥ　ａｃｃｉｄｅｎｔ　ｄａｔａｂａｓｅ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈａｔ　ｔｈｅ　ｍｏｄｅｌ　ｉｓ　ａｄｅｑｕａｔｅ．ｅｆｆｅｃｔｉｖｅ．Ｔｈｅ　ｍｏｄｅｌ　ｉｎｄｉｃａｔｅｓ　ｔｈａｔ　ｈｕｌｌ　ｖａｌｕｅ　ａｎｄ　ａｉｒｃｒａｆｔ　ａｇｅ　ａｒｅ　ｓｉｇｎｉｆｉｃａｎｔｌｙ　ｅｆｆｅｃｔｉｖｅ　ｆａｃｔｏｒｓ　ｔｏ　ｍａｊｏｒ　ｌｏｓｓ　ｆｌｉｇｈｔ　ａｃｃｉｄｅｎｔｓ．　Ｋｅｙ　ｗｏｒｄｓ：　ｍａｊｏｒ　ｌｏｓｓ　ｆｌｉｇｈｔ　ａｃｃｉｄｅｎｔｓ；ｃａｔｅｇｏｒｉｃａｌ　ｖａｒｉａｂｌｅｓ；ｍｕｌｔｉｌａｙｅｒ　ｐｅｒｃｅｐｔｒｏｎ（ＭＬＰ）；　ｎｅｕｒａ】ｎｅｔｗｏｒｋｓ　ｍｅｔｈｏｄ　飞行事故对民航企业及全社会都会产生重大　的负面影响．除了发生全损事故外，当由于自然灾　害或意外事故等原因造成大额损失时，负面影响　依然严重．因此，国内外的众多研究人员在民航事　故统计及预测相关领域已开展了各种研究．　罗晓利　对中国民航１９９０～２００３年间１５２起飞　行事件进行了统计研究；杜红兵和李珍香　对世界　及国内进近着陆运输飞行事故原因及预防对策进行　收稿日期：２０１５—０９—０９　了研究；王永刚和吕学梅　进行了民航事故症候数　据的关联度分析；ＳＡＬＡＭ　Ｒ　Ｇ＿４　应用随机模拟研究　了事故的发生概率和损失程度，并建立了评估模型．　于洪霞等人　运用Ｌｏｇｉｓｔｉｃ回归分析研究了全损飞　行事故的影响因素并构建了预测模型．　神经网络方法是一种模拟生物神经系统，具　有学习功能的方法．它是一个由大量神经元广泛　相互连接而成的非线性复杂网络系统，能够深入　通讯作者简介：于洪霞（１９７８一），博士，讲师，辽宁朝阳人．主要研究方向为最优化理论及应用．Ｅ．ｍａｉｌ　ｙｕｈｏｎｇｘｉａｌｘ＠ａｌｉｙｕｎ．ｃｏｍ．　于洪霞，等：一种基于ＭＬＰ神经网络的大额损失飞行事故预测模型　挖掘隐藏在影响因素背后数据之间的复杂关系，　ＣＡＳＥ世界航空事故赔案数据库．ＣＡＳＥ数据库中　近年来已广泛地应用于各种复杂系统的预测，比　包含８　０００余条自１９５２年以来的飞行事故案例，　如地震灾害易损性估计　；丁松滨和王飞［７　运用　满足本研究所需的数据基础．　神经网络研究了飞机的飞行事故万时率．　本研究中大额损失的定义采用的是ＣＡＳＥ数　Ｒｕｍｅｌｈａｒｔ等人提出了多层感知器（Ｍｕｌｔｉｌａｙ—　据库中的定义：损失金额大于等于１００万美元或　ｅｒ　Ｐｅｒｃｅｐｔｒｏｎ，ＭＬＰ）方法，主要用于解决非线性可　损失比例大于等于机身价值的１０％，两者满足一　分数据的多类别分解问题．本文将运用神经网络　条即归类为大额损失．从更新日期为２００８年６月　方法中研究比较成熟的ＭＬＰ方法构建了大额损　１４日的ＣＡＳＥ数据库中检索到的世界民航国内、　失飞行事故的预测模型，进而将结果与已有全损　国际定期客货航班发生在起飞、航路和降落过程　飞行事故的研究成果进行了对比分析．　中的非全损事故损失记录共计２３０条，其中大额　１　数据来源及样本数据诊断　损失事故有１６９条，占比７３％，非大额损失（小额　损失）事故有６１条，占比２７％．数据简要统计汇　本文选取的数据来自于Ａｉｒｃｌａｉｍｓ公司的　总如表１所示．　表１数据损失程度统计　为进行Ｌｏｇｉｓｔｉｃ回归分析，首先要将样本数　分表达系统中的非线性关系，节点太多又会发生　据转化为分类变量数据．转化后的数据包括４个　过度拟合的问题．通过对不同的节点数进行试验，　自变量：航班类型，分为两组（在国际间执行的航　最终选择了５个节点．　班赋值为１，在某国家内执行的航班赋值为０）；飞　（４）输出层节点　选择的输出层节点为１　机制造商，分为３组（波音赋值为１，空客赋值为　个，选取的是因变量等于１时的拟概率，在０～１　２，其他制造商赋值为３）；机身价值，分为３组（大　之间．　于３　０００万美元时赋值为１，在１．０×１０　一３．０×　２．１．２　ＭＬＰ神经网络模型构建　ｌＯ　美元之间时赋值为２，小于等于１　０００万美元　根据上文讨论，输入层有１１个节点，隐藏层　时赋值为３）；机龄，分为３组（大于２５年赋值为　有５个节点，输出层有２个节点，假设输入层与隐　ｌ，在１５—２５年之间赋值为２，小于等于１４年赋值　藏层之间的权值Ｖ＝（’，　）　，Ｂ＝（ｂ　，ｂ：，ｂ，，…，　为３）．另外，还包括一个因变量，即损失程度，大　ｂ　）为隐藏层节点的偏置权值，ｂ为输出层神经元　额损失赋值为ｌ，小额损失赋值为０．　的偏置权值．隐藏层与输出层之间的权值为Ｗ＝　（ｗ，）　。，隐藏层的激活函数为　（・），输出层的　２基于ＭＬＰ神经网络的预测模型　激活函数为，２（・），则隐藏层的输出为：　１１　２．１　ＭＬＰ神经网络建模　ｚｊ＝　（∑ｖｊｉｘｉ）＋　，　＝１，２，３，…，５　２．１．１网络结构参数设定　输出层神经元的输出为：　５　对于网络结构中具体参数的设定如下．　Ｙ＝ｆ２（∑ｗ￣Ｊ＝１　ｚｊ）＋ｂ　（１）输入层节点数输入层起缓冲存储器的　其中，激活函数都取Ｓｉｇｍｏｉｄ函数，即：　作用，把数据源加到网络上．在本模型中，取ｌ１．　（２）隐含层数文献［８］和文献［９］提出，具　（　）＝　（　）＝　上＿ｒ　有一个隐含层的网络可以用任意精度去逼近一个　ｓ型函数具有可微分性，更接近生物神经元　复杂的系统，因此只考虑具有一个隐含层的神经　的信号输出形式，饱和非线性特征，增强了网络的　网络模型．　非线性影射能力．计算的风险等级在（０，１）之间，　（３）隐含层内节点数　由于节点太少不能充　所以选用ｓ型函数．　５０６　上海电力学院学报　２０１６矩　２．１．３　ＭＬＰ模型的训练　模型的训练类型选用批处理，优化算法选用　梯度下降法．网络经过训练后达到一定的稳定状　态，形成１１　Ｘ５　Ｘ　１的网络模型，各权值取值如表　２和表３所示．　表２输入层与隐藏层各权值取值　表３隐藏层与输出层各权值取值　隐藏层１　输出层　隐藏层１　输出层　偏差　１．０３　Ｈ（ｔ：３）　２．２７　Ｈ（１：１）　一１．３８　Ｈ（１：４）　一ｔ．４１　Ｈ（１：２）　１．４３　Ｈ（１：５）０．７１　２・２模型预测效果　通过对２３０条数据进行准确率判断，结果如　表４所示．由表４可知，模型对样本数据分类情况　的综合预测准确率为７１．３％，而且大额损失预测　准确率也在７６．９％，表明预测结果较好．　表４样本数据预测分类情况　注：分类临界值为０．６００．　表５为各因子标准化重要性排序，可以看出，　机身价值与机龄两个因素对大额损失有重要影响．　于洪霞等人　指出，全损飞行事故的影响因　素中机龄和航班类型因素具有统计学意义．机身　价值和飞机制造商不具有统计学意义．将大额损　失飞机事故影响因素与全损飞行事故的影响因素　对比可以得出以下两个结论．　（１）全损飞行事故与大额损失飞行事故中相　同的影响因素是机龄．老龄飞机发生全损和大额　损失飞行事故的概率较高，而且机龄越老，全损和　大额损失的概率越高．这个结论提醒我们应更加　关注老龄飞机．　（２）机身价值在大额损失事故的影响因素中　具有统计学意义．随着技术的发展，飞机的价值越　来越高，本研究提醒民航运输企业有必要对高价　值飞机提高风险意识．　表５各因子标准化重要性排序　３　结　语　综上所述，本文所构建的模型预测效果较好，　可以为民航企业安全预算、投资决策和安全管理　等方面提供科学参考．　参考文献：　［１］　罗晓利．１９９０￣２０Ｏ３年中国民航１５２起小于间隔飞行事件的分　类统计研究［Ｊ］．中国安全科学学报，２００４，１４（１２）：２６－３０．　『２］　杜红兵，李珍香．进近着陆运输飞行事故原因及预防对策　，　研究［Ｊ］．中国安全科学学报，２００６，１６（６）：１１８－１２２．　王永刚，吕学梅．民航事故症候的关联度分析和灰色模型　预测［Ｊ］．安全与环境学报，２００６，６（６）：１２７－１３０．　［４］　ＳＡＬＡＭ，ＲＯＭＥＬ　Ｇ．Ｅｓｔｉｍａｔｉｎｇ　ｔｈｅ　ｃｏｓｔ　ｏｆ　ｃｏｍｍｅｒｃｉａｌ　ａｉｒ－　ｌｉｎｅｓ　ｃａｔａｓｔｒｏｐｈｅｓ—ａ　ｓｔｏｃｈａｓｉｔｃ　ｓｉｍｕｌａｉｔｏｎ　ａｐｐｒｏａｃｈ［Ｃ］／／　Ｃａｓｕａｌｔｙ　Ａｃｔｕａｒｉａｌ　Ｓｏｃｉｅｔｙ　Ｆｏｒｕｍ　Ｃａｓｕａｌｔｙ　Ａｃｍａｒｉｌａ　Ｓｏｃｉｅｔｙ．　Ａｒｌｉｎｇｔｏｎ，Ｖｉｒｇｉｎｉａ，２００３：３７９－４２２．　［５］　于洪霞，季建华，李兴．一种基于Ｌｏｇｉｓｉｔｃ回归的全损飞行事　故分析与预测［Ｊ］．中国安全科学学报，２０１０，２０（３）：３４－３８．　［６］　成小平，胡幸贤，帅向华．基于神经网络模型的房屋震害易　损性估计方法［Ｊ］．自然灾害学报，２０００，９（２）：６８－７３．　［７］　丁松滨，王飞．基于ＢＰ神经网络的民航安全预测方法研究　［Ｊ］．中国民航学院学报，２００６，２４（１）：５３－５６．　［８］　ＣＹＢＥＮＫＯ　Ｇ．Ａｐｐｒｏｘｉｍａｔｉｏｎ　ｂｙ　ｓｕｐｅｒｐｏｓｉｔｉｏｎｓ　ｏｆ　ａ　ｓｉｇｍｏｉ—　ｄａｌ　ｆｕｎｃｉｔｏｎ［Ｊ］．Ｍａｈｔｅｍａｉｔｃｓ　ｏｆ　Ｃｏｎｔｒｏｌ，Ｓｉｇｎａｌｓ　ａｎｄ　Ｓｙｓ・　ｔｅｍｓ，１９８９，２（４）：３０３－３１４．　［９］　ＨＯＲＮＩＫ　Ｋ，ＳＴＩＮＣＨＣＯＭＢＥ　Ｍ，ＷＨＩＴＥ　Ｈ．Ｍｕｌｔｉｌａｙｅｒ　ｆｅｅｄ　ｆｏｒｗａｒｄ　ｎｅｔｗｏｒｋｓ　ａｌｅ　ｕｎｉｖｅｒｓｌａ　ａｐｐｒｏｘｉｍａｔｏｒｓ［Ｊ］．Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋｓ，１９８９（２）：３５９－３６６．　（编辑胡小萍）