CN112257935A - 一种基于lstm—rbf神经网络模型的航空安全预测方法 - Google Patents

一种基于lstm—rbf神经网络模型的航空安全预测方法 Download PDF

Info

Publication number
CN112257935A
CN112257935A CN202011158039.8A CN202011158039A CN112257935A CN 112257935 A CN112257935 A CN 112257935A CN 202011158039 A CN202011158039 A CN 202011158039A CN 112257935 A CN112257935 A CN 112257935A
Authority
CN
China
Prior art keywords
lstm
model
neural network
output
rbf
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011158039.8A
Other languages
English (en)
Other versions
CN112257935B (zh
Inventor
任博
张红梅
曾航
崔利杰
刘嘉
项华春
陶伟
徐吉辉
张晓丰
孙静娟
张雷
胡良谋
刘超
张海威
张彦忠
朱建广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202011158039.8A priority Critical patent/CN112257935B/zh
Publication of CN112257935A publication Critical patent/CN112257935A/zh
Application granted granted Critical
Publication of CN112257935B publication Critical patent/CN112257935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM—RBF神经网络模型的航空安全预测方法，包括步骤S1：建立LSTM—RBF模型；步骤S2：利用LSTM—RBF模型对航空安全进行预测；利用LSTM模型训练致因事件数据样本，分析各类致因事件的时序变化趋势；利用RBF模型训练致因事件与航空不安全后果事件数据间的因果联系，计算各类致因因素的作用权值，该模型通过研究致因事件的时序规律，进而预测航空不安全后果事件变化趋势。

Description

一种基于LSTM—RBF神经网络模型的航空安全预测方法
技术领域
本发明涉及计算机处理技术领域，具体涉及一种基于LSTM—RBF神经网络模型的航空安全预测方法。
背景技术
安全是航空业永恒的话题，航空事故会导致大量人员伤亡、严重设备损坏，造成严重的社会损失。精确的航空安全预测是有效开展安全预警、预防的前提。目前航空安全预测有时间序列预测、计量模型预测和机器学习预测等；
时间序列预测是一种线性预测模型，以时间为自变量对样本进行相关分析，得到数据变化的趋势和周期。再辨识合适的随机模型，进行曲线拟合，常用的时间序列预测模型包括AR、MA、ARMA和ARIMA模型等，由于该类模型只能分析样本点之间的线性关系，且要求数据样本容量大，分布平稳，所以预测精度偏低。
计量模型预测通过建立关于预测对象与影响因素的方程式，并对这一系列方程式进行计量，根据影响因素的变化规律来预测目标的未来趋势。常用计量模型预测方法有回归预测、灰色预测和马尔科夫链预测等。该类方法易操作，不受样本容量限制，量化了各因素的影响权重，结论具有较高可信度。但航空事故致因机理复杂，简单的数学模型较难精确描述因果关系。机器学习预测运用计算机等工具，模仿人脑的学习方式，对现有样本进行训练，设定损失目标函数，对参数更新优化，将最终优化得到的模型用以预测。
常用的机器学习方法有人工神经网络预测和支持向量机预测等。机器学习具有较强的自学习能力和鲁棒性，能较好地拟合复杂变量间非线性关系。然而，传统神经网络模型的输入量一般认为是彼此独立的，即将输入层的时间变量作为一般输入变量，未考虑数据样本自身的时序特点。这给预测结果增加了误差。
发明内容
针对上述存在的问题，本发明旨在提供一种基于LSTM—RBF神经网络模型的航空安全因果预测方法，通过将数据量小、难以记录统计的航空不安全后果事件分解为若干致因事件，航空不安全后果事件具有一定危险性，但后果严重程度未达到事故的标准，该类事件样本小且难以准确统计，给预测带来了较大不确定性；致因事件是诱发航空不安全后果事件的各类风险源，这些事件样本大、变化趋势平稳，便于进行时序分析；LSTM模型训练致因事件数据样本，分析各类致因事件的时序变化趋势；RBF模型训练致因事件与航空不安全后果事件数据间的因果联系，计算各类致因事件的作用权值，该模型通过研究致因事件的时序规律，进而预测航空不安全后果事件变化趋势。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于LSTM-RBF神经网络模型的航空安全预测方法，包括以下步骤：
步骤S1：建立LSTM—RBF模型；
步骤S2：利用LSTM—RBF模型对航空安全进行预测；
S201数据及指标选取：使用SHEL模型定量分析航空不安全后果事件，确定诱发航空不安全后果事件的致因因素，并对致因因素进行分类，获得各类致因因素对应的不安全事故数据；
S202数据标准化：对步骤S201获得的数据进行归一化处理，得到致因因素数据样本；
S203使用图检法对步骤S202获得的致因因素数据样本进行平稳性检验；
S204将步骤S203检验后的不安全事故数据样本作为LSTM模型输入变量，训练致因因素数据样本，分析各类致因因素的时序变化趋势，得到预测值；
S205利用RBF模型训练致因因素与航空不安全后果事件数据之间的因果联系，计算各类致因因素的作用权值，并用步骤S204获得的预测值作为验证样本对模型效果进行评价。
优选的，在上述步骤S1中，LSTM—RBF模型建立过程如下：
步骤S101：建立LSTM神经网络结构
LSTM神经网络结构自带记忆单元和遗忘单元，能伴随时间节点变化更新元胞状态；
首先，上一节点输出ht-1和当前输入xt进入遗忘门，由遗忘门决定前一时刻元胞状态ct-1舍弃的信息；然后，由输入门对上一节点输出ht-1和当前输入xt进行选择记忆，并结合遗忘门训练结果决定出当前元胞状态ct；最后，由输出门决定ct输出到当前输出值ht的信息量，由此随时间推移持续更新各状态参数；
各门和元胞状态的更新公式如下：
ft＝σ(WfXt+Ufht-1+bf) (1)
it＝σ(WiXt+Uiht-1+bi) (2)
ot＝σ(WoXt+Uoht-1+bo) (3)
Figure BDA0002743400720000041
Figure BDA0002743400720000042
ht＝ot·tanh(ct) (6)
其中，f为遗忘门，i为输入门，o为输出门，σ表示激励函数，W表示t时刻输入值xt在各门和元胞的权重，U表示上一时刻输出值ht-1在各门和元胞的权重，b为偏置项，
Figure BDA0002743400720000043
为t时刻下信号尚未进入输入门的临界状态；ct为更新后的元胞状态，ht为输出值；
步骤S102：建立RBF神经网络模型
(1)RBF神经网络结构：RBF神经网络由输入层、隐含层和输出层构成的三层前向型网络，信号直接从输入层传递到隐含层，改层为非线性变换，隐含层到输出层通过权连接，该阶段为线性变换；
(2)RBF神经网络学习算法
RBF神经网络学习算法分为隐含层节点数增加与节点数固定两种：节点数增加时，网络通过样本学习不断调整权值；节点固定时由线性方程组直接解出权值；由于节点数固定计算效率更高，因此，选用隐含层节点数固定算法，具体步骤为：
①确定径向基函数中心
假设I为输入矩阵，O为期望输出矩阵，样本容量为R，则R个隐含层节点对应的径向基函数中心为：
C＝I' (8)
②计算隐含层节点阈值
该阈值可通过
bi＝0.8326/spread (9)
得出；bi为第i个隐含层节点的阈值，spread为RBF扩展速度；
③计算隐含层到输出层的权值与阈值，隐含层输出由激活函数得出：
Figure BDA0002743400720000051
其中，hi为第i个输入向量对应的输出；
假设W为权重矩阵，b'为隐含层到输出层间的阈值向量，H为隐含层输出矩阵，E单位矩阵，则列出关于权重的线性方程组
[W b′]·[H；E]＝O (11)
即可求解权值。
优选的，在LSTM神经网络模型中，反向传播公式如式：
Figure BDA0002743400720000052
其中：
Figure BDA0002743400720000053
该值在0～1范围内，通过给偏置项bf设定合适值使得该值接近于1，即使迭代次数k较大时，累乘项
Figure BDA0002743400720000054
也不会趋于0或无穷大，防止梯度消失或爆炸，确保参数精确更新。
优选的，在上述步骤S201中，所述致因因素包括外来影响事件因素、设备设施因素、环境因素、管理因素和人为因素。
本发明的有益效果是：本发明公开了一种基于LSTM—RBF神经网络模型的航空安全因果预测方法，与现有技术相比，本发明的改进之处在于：
(1)运用SHEL模型定量分析各类致因因素，从而避免了直接分析难获取、样本小的航空不安全后果事件数据，而定量分析数据量较大的不安全事件数据。同时将航空安全研究关口前移，提高了风险管控效率；
(2)对于时序依赖性强的不安全事件，建立LSTM模型进行训练，该模型能够对时序样本选择性记忆：一方面可以不断积累有价值信息；另一方面可以随时舍弃价值较少的信息，提升了时序样本的利用价值；
(3)RBF模型训练致因因素与事故间的因果关系，定量计算各致因因素作用权值，并用验证样本对模型效果进行评估。
结果显示LSTM—RBF模型预测精度优于传统方法。该工作在定量计算致因事件时序特征的基础上,利用RBF强大的非线性拟合能力处理复杂的因果关系。从而使结论更具普遍性、稳健性。
附图说明
图1为本发明基于LSTM—RBF神经网络航空安全预测流程图。
图2为本发明LSTM神经网络结构图。
图3为本发明RBF神经网络结构图。
图4为本发明航空安全数据指标体系图。
图5为本发明实施例1中2019年1—35周某航空公司安全数据时序图。
图6为本发明实施例1中LSTM—RBF模型预测结果对比图。
图7为本发明实施例1中LSTM模型预测结果对比图。
图8为本发明实施例1中BP模型预测结果对比图。
图9为本发明实施例1中预测结果对比图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-9所示，本发明具体提供了一种基于LSTM-RBF神经网络模型的航空安全预测方法，包括以下步骤：
步骤S1：建立LSTM—RBF模型；
步骤S101：建立LSTM神经网络结构
LSTM神经网络结构(如图2)自带记忆单元和遗忘单元，能伴随时间节点变化更新元胞状态：首先上一节点输出ht-1和当前输入xt进入遗忘门，由遗忘门决定前一时刻元胞状态ct-1舍弃哪些信息；再由输入门对上一节点输出ht-1和当前输入xt进行选择记忆，并结合遗忘门训练结果决定出当前元胞状态ct；最后由输出门决定ct有多少信息输出到当前输出值ht，由此随时间推移持续更新各状态参数；
其中，f为遗忘门，i为输入门，o为输出门，σ表示激励函数，一般取用sigmoid函数(如式1)。tanh为双曲正切函数。“×”表示点乘，“+”为一般意义的加法；
σ(x)＝1/1+e–x
tanh(x)＝ex-e-xex+e–x
各门和元胞状态的更新公式如下：
ft＝σ(WfXt+Ufht-1+bf) (1)
it＝σ(WiXt+Uiht-1+bi) (2)
ot＝σ(WoXt+Uoht-1+bo) (3)
Figure BDA0002743400720000081
Figure BDA0002743400720000082
ht＝ot·tanh(ct) (6)
其中：W表示t时刻输入值xt在各门和元胞的权重，U表示上一时刻输出值ht-1在各门和元胞的权重，b为偏置项；
Figure BDA0002743400720000083
为t时刻下信号尚未进入输入门的临界状态；ct为更新后的元胞状态，ht为输出值；
传统神经网络模型在处理时间序列时，由于步长增加，BPTT(随时间反向传播算法)的迭代次数随之增大，极可能造成梯度消失、爆炸等问题，使得各参数无法精确更新；而LSTM神经网络模型独特的“门”结构能较好地规避此类问题；
在LSTM神经网络模型中，反向传播公式如式：
Figure BDA0002743400720000084
其中：
Figure BDA0002743400720000085
该值在0～1范围内，通过给偏置项bf设定合适值使得该值接近于1，所以即使迭代次数k较大时，累乘项
Figure BDA0002743400720000086
也不会趋于0或无穷大，从而防止梯度消失或爆炸，确保参数精确更新；
步骤S102：建立RBF神经网络模型
(1)RBF神经网络结构
RBF网络是典型的三层(输入层、隐含层和输出层)前向型网络(如图3)，其中输入层感知信号，输出层响应信号，隐含层空间由若干RBF构成。信号不需要赋权而直接从输入层传递到隐含层，该阶段为非线性变换；隐含层到输出层需通过权连接，即网络输出是隐含层输出的线性加权和，该阶段为线性变换；
(2)RBF神经网络学习算法
RBF学习算法分为隐含层节点数增加与节点数固定两种：节点数增加时，网络通过样本学习不断调整权值；节点固定时由线性方程组直接解出权值，显然后者计算效率更高，所以选用隐含层节点数固定的算法，即隐含层节点数等于训练样本数，具体步骤为：
①确定径向基函数中心
设I为输入矩阵，O为期望输出矩阵，样本容量为R，则R个隐含层节点对应的径向基函数中心为：
C＝I' (8)
②计算隐含层节点阈值
该阈值可通过经验公式(式9)
bi＝0.8326/spread (9)
得出；bi为第i个隐含层节点的阈值，spread为RBF扩展速度；
(3)计算隐含层到输出层的权值与阈值隐含层输出由激活函数：
Figure BDA0002743400720000091
得出，hi为第i个输入向量对应的输出，设W为权重矩阵，b'为隐含层到输出层间的阈值向量，H为隐含层输出矩阵，E单位矩阵；
列出线性方程组(式11)
[W b′]·[H；E]＝O (11)
即可求解权值。
步骤S2：利用LSTM—RBF模型对航空安全进行预测(如图1)：
S201数据及指标选取：使用SHEL模型定量分析航空不安全后果事件，确定诱发航空不安全后果事件的致因因素，并对致因因素进行分类，获得各类致因因素对应的不安全事故数据；
S202数据标准化：对步骤S201获得的数据进行归一化处理，得到致因因素数据样本；
S203使用图检法对步骤S202获得的致因因素数据样本进行平稳性检验；
S204将步骤S203检验后的不安全事故数据样本作为LSTM模型输入变量，训练致因因素数据样本，分析各类致因因素的时序变化趋势，得到预测值；
S205利用RBF模型训练致因因素与航空不安全后果事件数据之间的因果联系，计算各类致因因素的作用权值，并用步骤S204获得的预测值作为验证样本对模型效果进行评价。
实施例1
基于LSTM—RBF预测模型很好继承了时间与致因两个维度的变量，既保留了前一时刻的有效信息，又量化了各不安全事件对事故的贡献作用，能为航空安全决策提供定量的科学依据，预测流程如图1所示；
(1)数据及指标选取
基于SHEL模型事故诱因分析，事故是多种致因因素相互作用的结果，具体可分为人、硬件、软件和环境四方面；考虑航空事故特点，结合历年航空安全数据统计规律，可将事故致因分为外来影响事件因素、设备设施因素、环境因素、管理因素和人为因素五大类。其中，外来影响事件因素包括鸟击、电磁干扰、机身卷入异物；设施设备因素包括工具磨损、机载设备故障；环境因素包括维修环境、保障环境、恶劣天气；管理因素包括教育培训不到位、安全隐患失察、规章制度不完善；人为因素包括操作失误、违规维修、处置特情能力不足。本实施例数据选取自某民航公司2019年(1～35周)不安全事件以及航空不安全后果事件周统计(如图4)。航空不安全后果事件作为事故，不安全事件作为致因因素。建立二级指标体系如图4；
(2)数据标准化
为减小量纲及其单位差异对各指标间关联性的影响，首先对数据进行归一化处理，本文采用min-max标准化方法，如式(12)：
Figure BDA0002743400720000111
其中xmax为样本最大值，xmin为样本最小值，标准化处理的不安全事件数据如表1；
表1：2019年1—35周某航空公司不安全事件数据
Figure BDA0002743400720000121
设计以下实施例对上述方法进行验证：
(1)LSTM模型训练
1.1平稳性检验
对时间序列数据预测之前，有必要对其进行平稳性检验，以确保样本具备统计分析的实际意义，其中图检法是一种简便直观的检验方法。观察样本时序图，可看出各样本均围绕某一值上下波动，其波动范围近似相等，符合平稳时间序列的特性。
1.2参数选择
隐含层节点个数是决定LSTM神经网络模型精度的主要因素，一般来说，隐含层节点数越多，网络迭代速度越快，训练效果越精确，但易出现“过拟合”；若节点过少，无法准确刻画样本点间存在的复杂非线性关系，降低了模型精度；目前没有求解最优隐含层节点数的公式，一般根据经验设定，并多次实验确定最优解。对于单变量时间序列预测，输入层(时间)节点数为1，输出层(不安全事件)节点数为1；
其它参数设置如下：训练次数250，初始学习率根据样本数量级调整，在125轮训练后乘以衰减系数0.2降低学习率；为防止梯度爆炸，梯度阈值设置为1。
1.3训练结果及分析
为确保模型的学习效率及泛化能力，结合样本容量和经验公式，确定训练样本与验证样本的容量比为4:1，即选取1～28周数据作为训练样本，29～35周数据作为预测样本。隐含层节点数取值为[1,40]，分别预测五类不安全事件的变化趋势。同条件下的实验运算二十次，取精度最佳的结果反归一化，作为RBF模型的输入样本，选用均方根误差(RMSE)、平均绝对百分比误差(MAPE)作为预测精度的评价指标(如式13、式14)，两者值越小，则对应实验精度越好：
Figure BDA0002743400720000131
Figure BDA0002743400720000132
其中：yi为真实值，y'i为预测值，y为样本均值，n为样本个数，经计算，并综合比较三个性能指标，五类不安全事件预测模型对应的最优隐含层节点数分别为23，23，20，25和20，记录相应的输出结果。
(2)RBF模型训练
搭建RBF神经网络模型，五类不安全事件数据作为输入量，对航空不安全后果事件数开展预测，训练样本(1～28周数据)采用原始数据，验证样本(29～35周数据)中的输入量采用LSTM网络预测值，输出量采用原始数据；输入层节点数设为5，输出层节点数设为1，隐含层节点数设为5，记录实验结果；为直观评价预测精度，对同一样本分别在LSTM模型、BP模型和ARIMA模型运算；预测误差对比如图6、图7、图8、图9；(由于LSTM、BP模型初始权值随机产生，每次训练效果不尽相同，故重复训练20次，衡量结果稳健性)
从图6—图9并结合各模型预测结果(表2，t表示模型求解计算时间(秒))；综合各性能指标分析：LSTM—RBF预测航空安全，计算RMSE、MAPE分别为11.5136、7.555；较其他模型精度有显著提高；对照模型中LSTM和ARIMA效果较好，BP模型效果最差；说明航空安全数据样本的时序依赖性，是影响预测精度的一个主要因素；采用时间序列预测方法能在一定程度拟合其变化趋势。在此基础定量分析致因间的作用权值，能够进一步提升预测效果；
表2：模型预测效果对比
Figure BDA0002743400720000141
本文提出了基于LSTM—RBF神经网络模型的航空安全因果预测新方法，主要有以下三方面工作：
(1)运用SHEL模型定量分析各类致因因素，从而避免了直接分析难获取、样本小的航空不安全后果事件数据，而定量分析数据量较大的不安全事件数据。同时将航空安全研究关口前移，提高了风险管控效率；
(2)对于时序依赖性强的不安全事件，建立LSTM模型进行训练，该模型能够对时序样本选择性记忆：一方面可以不断积累有价值信息；另一方面可以随时舍弃价值较少的信息，提升了时序样本的利用价值；
(3)RBF模型训练致因因素与事故间的因果关系，定量计算各致因因素作用权值，并用验证样本对模型效果进行评估。
结果显示LSTM—RBF模型预测精度优于传统方法。该工作在定量计算致因事件时序特征的基础上，利用RBF强大的非线性拟合能力处理复杂的因果关系。从而使结论更具普遍性、稳健性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于LSTM-RBF神经网络模型的航空安全预测方法，其特征在于：包括以下步骤：
步骤S1：建立LSTM—RBF模型；
步骤S2：利用LSTM—RBF模型对航空安全进行预测；
S201数据及指标选取：使用SHEL模型定量分析航空不安全后果事件，确定诱发航空不安全后果事件的致因因素，并对致因因素进行分类，获得各类致因因素对应的不安全事故数据；
S202数据标准化：对步骤S201获得的数据进行归一化处理，得到致因因素数据样本；
S203使用图检法对步骤S202获得的致因因素数据样本进行平稳性检验；
S204将步骤S203检验后的不安全事故数据样本作为LSTM模型输入变量，训练致因因素数据样本，分析各类致因因素的时序变化趋势，得到预测值；
S205利用RBF模型训练致因因素与航空不安全后果事件数据之间的因果联系，计算各类致因因素的作用权值，并用步骤S204获得的预测值作为验证样本对模型效果进行评价。
2.根据权利要求1所述的一种基于LSTM-RBF神经网络模型的航空安全预测方法，其特征在于，在上述步骤S1中，LSTM—RBF模型建立过程如下：
步骤S101：建立LSTM神经网络结构
LSTM神经网络结构自带记忆单元和遗忘单元，能伴随时间节点变化更新元胞状态；
首先，上一节点输出ht-1和当前输入xt进入遗忘门，由遗忘门决定前一时刻元胞状态ct-1舍弃的信息；然后，由输入门对上一节点输出ht-1和当前输入xt进行选择记忆，并结合遗忘门训练结果决定出当前元胞状态ct；最后，由输出门决定ct输出到当前输出值ht的信息量，由此随时间推移持续更新各状态参数；
各门和元胞状态的更新公式如下：
ft＝σ(WfXt+Ufht-1+bf) (1)
it＝σ(WiXt+Uiht-1+bi) (2)
ot＝σ(WoXt+Uoht-1+bo) (3)
Figure FDA0002743400710000021
Figure FDA0002743400710000022
ht＝ot·tanh(ct) (6)
其中，f为遗忘门，i为输入门，o为输出门，σ表示激励函数，W表示t时刻输入值xt在各门和元胞的权重，U表示上一时刻输出值ht-1在各门和元胞的权重，b为偏置项，
Figure FDA0002743400710000023
为t时刻下信号尚未进入输入门的临界状态；ct为更新后的元胞状态，ht为输出值；
步骤S102：建立RBF神经网络模型
(1)RBF神经网络结构：RBF神经网络由输入层、隐含层和输出层构成的三层前向型网络，信号直接从输入层传递到隐含层，改层为非线性变换，隐含层到输出层通过权连接，该阶段为线性变换；
(2)RBF神经网络学习算法
RBF神经网络学习算法分为隐含层节点数增加与节点数固定两种：节点数增加时，网络通过样本学习不断调整权值；节点固定时由线性方程组直接解出权值；由于节点数固定计算效率更高，因此，选用隐含层节点数固定算法，具体步骤为：
①确定径向基函数中心
假设I为输入矩阵，O为期望输出矩阵，样本容量为R，则R个隐含层节点对应的径向基函数中心为：
C＝I' (8)
②计算隐含层节点阈值
该阈值可通过
bi＝0.8326/spread (9)
得出；bi为第i个隐含层节点的阈值，spread为RBF扩展速度；
③计算隐含层到输出层的权值与阈值，隐含层输出由激活函数得出：
Figure FDA0002743400710000031
其中，hi为第i个输入向量对应的输出；
假设W为权重矩阵，b'为隐含层到输出层间的阈值向量，H为隐含层输出矩阵，E单位矩阵，则列出关于权重的线性方程组
[W b′]·[H；E]＝O (11)
即可求解权值。
3.根据权利要求2所述的一种基于LSTM-RBF神经网络模型的航空安全预测方法，其特征在于，在LSTM神经网络模型中，反向传播公式如式：
Figure FDA0002743400710000041
其中：
Figure FDA0002743400710000042
该值在0～1范围内，通过给偏置项bf设定合适值使得该值接近于1，即使迭代次数k较大时，累乘项
Figure FDA0002743400710000043
也不会趋于0或无穷大，防止梯度消失或爆炸，确保参数精确更新。
4.根据权利要求1所述的一种基于LSTM-RBF神经网络模型的航空安全预测方法，其特征在于，在上述步骤S201中，所述致因因素包括外来影响事件因素、设备设施因素、环境因素、管理因素和人为因素。
CN202011158039.8A 2020-10-26 2020-10-26 一种基于lstm—rbf神经网络模型的航空安全预测方法 Active CN112257935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011158039.8A CN112257935B (zh) 2020-10-26 2020-10-26 一种基于lstm—rbf神经网络模型的航空安全预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158039.8A CN112257935B (zh) 2020-10-26 2020-10-26 一种基于lstm—rbf神经网络模型的航空安全预测方法

Publications (2)

Publication Number Publication Date
CN112257935A true CN112257935A (zh) 2021-01-22
CN112257935B CN112257935B (zh) 2023-05-09

Family

ID=74261309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158039.8A Active CN112257935B (zh) 2020-10-26 2020-10-26 一种基于lstm—rbf神经网络模型的航空安全预测方法

Country Status (1)

Country Link
CN (1) CN112257935B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801362A (zh) * 2021-01-26 2021-05-14 桂林电子科技大学 一种基于人工神经网络与lstm网络的学业预警方法
CN113222218A (zh) * 2021-04-16 2021-08-06 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法
CN114046179A (zh) * 2021-09-15 2022-02-15 山东省计算中心（国家超级计算济南中心） 一种基于co监测数据智能识别和预测井下安全事故的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法
US20200301406A1 (en) * 2019-03-21 2020-09-24 United Technologies Corporation System for forecasting aircraft engine deterioration using recurrent neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
US20200301406A1 (en) * 2019-03-21 2020-09-24 United Technologies Corporation System for forecasting aircraft engine deterioration using recurrent neural networks
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法
CN110702418A (zh) * 2019-10-10 2020-01-17 山东超越数控电子股份有限公司 航空发动机故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李京峰等: "基于LSTM-DBN的航空发动机剩余寿命预测" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801362A (zh) * 2021-01-26 2021-05-14 桂林电子科技大学 一种基于人工神经网络与lstm网络的学业预警方法
CN112801362B (zh) * 2021-01-26 2022-03-22 桂林电子科技大学 一种基于人工神经网络与lstm网络的学业预警方法
CN113222218A (zh) * 2021-04-16 2021-08-06 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法
CN113222218B (zh) * 2021-04-16 2022-06-10 浙江工业大学 基于卷积长短时记忆神经网络的交通事故风险预测方法
CN114046179A (zh) * 2021-09-15 2022-02-15 山东省计算中心（国家超级计算济南中心） 一种基于co监测数据智能识别和预测井下安全事故的方法
CN114046179B (zh) * 2021-09-15 2023-09-22 山东省计算中心（国家超级计算济南中心） 一种基于co监测数据智能识别和预测井下安全事故的方法

Also Published As

Publication number Publication date
CN112257935B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN112257935B (zh) 一种基于lstm—rbf神经网络模型的航空安全预测方法
CN110321603B (zh) 一种用于航空发动机气路故障诊断的深度计算模型
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
Abul-Haggag et al. Application of fuzzy logic for risk assessment using risk matrix
Aslansefat et al. Performance evaluation and design for variable threshold alarm systems through semi-Markov process
CN115018348B (zh) 基于人工智能的环境分析方法、系统、设备及存储介质
CN112257914B (zh) 一种基于随机森林的航空安全因果预测方法
Wawrzyniak et al. Data-driven models in machine learning for crime prediction
CN112287596A (zh) 一种基于聚类和lstm的发动机剩余寿命预测方法
Zekić-Sušac et al. Cluster analysis and artificial neural networks in predicting energy efficiency of public buildings as a cost-saving approach
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN113657814A (zh) 一种航空网络风险预测方法及风险等级评估方法
Wang et al. Reliability analysis for automobile engines: Conditional inference trees
CN116542701A (zh) 一种基于cnn-lstm组合模型的碳价预测方法及系统
CN116957331A (zh) 风险旅客流量范围预测方法和装置
CN111598328A (zh) 一种计及疫情事件的电力负荷预测方法
CN113779893B (zh) 基于回声状态网络的保障性仿真输出结果可信性评价方法
CN112232557B (zh) 基于长短期记忆网络的转辙机健康度短期预测方法
Wang et al. Aviation risk analysis: U-bowtie model based on chance theory
Chimitova et al. Goodness-of-fit testing for the degradation models in reliability analysis
Mahdi et al. Development of a Method of Structural-Parametric Assessment of the Object State
Bezuhlyi et al. Development of object state estimation method in intelligent decision support systems
CN115996082B (zh) 一种可追溯的机载总线网络健康状态评估方法及系统
Cejnek et al. Influence of type and level of noise on the performance of an adaptive novelty detector
Bermeo et al. Artificial Neural Network and Monte Carlo Simulation in a hybrid method for time series forecasting with generation of L-scenarios

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant