基于人工神经网络的停机坪安全预警研究

赵桂红，宋长进

（中国民航大学经济与管理学院，天津 300300）

近年来，航空运输量逐年增加，机场航班和飞机的起降架次也随之升高。机场更加拥挤、停机坪差错和事故时有发生，停机坪事故所造成的经济损失呈现上升趋势。停机坪事故的影响因素比较多，因此有必要对这些因素进行筛选并实施监控和预警管理[1]。

传统的预警方法，如ARCH、模糊分析、ARMA等预警方法，大多基于Logistic回归方法和传统的定性判别，这些方法过多地依赖线性函数建模，而应对非线性规律的情况时，不具备时变特性，不能进行自我调整。基于人工神经网络方法具备这些能力与性质，而其分类正确率要高于普通的统计预警方法，因此它可以作为解决机场停机坪安全预警的一个重要工具[2-3]。

1 停机坪安全管理预警模型的建立

1.1 方法简介

本文主要通过因子分析对影响停机坪安全的因素进行分类，确定其主要公共因子。然后根据公共因子数目，确定神经网络模型的输出期望矩阵，同时运用神经网络sim（）函数对遥墙机场停机坪的数据进行仿真，最后得到预警结果。

1.1.1 因子分析简介

在实证研究中，对事物的观察、分析和描述往往需要从多个角度进行观测，以此反映事物和现象的本质。即需要通过观测多个相关变量，并通过收集大量数据以便对数据进行分析，从而找出其中的规律。因子分析就是通过对大量相关变量的分析，将之转换成较少的、彼此不相关指标的一种多元统计方法[4]。因子分析运算的步骤可以分为两步：第一步是构造因子变量；第二步是对因子变量进行命名解释。

1.1.2 人工神经网络介绍

BP神经网络（back-propagation neutral network）是采用由导师对事物进行训练，基于误差反向传播算法（BP算法）的多层前向神经网络。它是D.E.Rumelht和J.L.McCelland及其研究小组在1986年研究并设计出来的，BP算法已成为目前应用最为广泛的神经网络学习算法。它可实现输入和输出的任意非线性映射，这使得它在数据压缩、函数逼近、模式识别等领域得到广泛的应用[5]。

本文计算步骤归纳如下：

1）将停机坪安全管理的影响因子数据标准化，求出相关矩阵；

2）计算停机坪安全管理相关矩阵的特征值以及特征向量，得出方差贡献率和累积方差贡献率；3）明确影响因子的数量，计算出网络的输出值；4）计算网络输出值与期望输出值的误差，然后反向传播调整权重；

5）对训练集的每个模式都重复上面两个步骤，直到整个训练误差达到令人满意的程度为止。

本文最终的预警输出结果是综合功效系数对应的警度，将风险状况分为Ⅰ[1000]重警、Ⅱ[0100]中警、Ⅲ[0010]轻警、Ⅳ[0001]无警 4 种不同状态[6]。

1.2 停机坪安全预警指标体系的确立

在遥墙机场通过问卷调查的方法，对机场的安全因素情况进行打分。在此期间共发放问卷160份，实际收回148份，回收率92.5%。通过这些问卷，得到了相关的数据指标和原始数据。

根据遥墙机场安全问题的现状和相关的安全理论，并通过向专家咨询，将对停机坪安全管理的影响因素归纳为12个指标作为对停机坪安全评价的基本指标，如表1所示。

通过专家打分法对各个成分的打分数据进行因子分析，使用SPSS7.0软件进行运算，因子载荷表如表2 所示[7]。

由表2得知，第1公共因子（u1～u4）是以遥墙机场作业人员设备及防护用品配备充足程度为代表，体现了遥墙机场停机坪人员资质及培训规范性；第2公共因子（u5～u7）主要是由遥墙机场停机坪作业车辆使用及管理规范性所决定，主要针对的是遥墙机场停机坪作业流程操作有效性；第3个公共因子（u8～u10）主要是由遥墙机场停机坪各项管理规章完善程度所决定，主要涉及的是遥墙机场停机坪管理及制度完善程度；第4个公共因子（u11～u12）主要是由遥墙机场飞机停放净距规范性所决定，主要关注的是遥墙机场停机坪设施管理的规范。

根据由因子分析对遥墙机场停机坪数据的运算结果，确定公共因子数量为4，因此确定相对应的期望输出如表3所示。

表1 原始评价指标Tab.1 Original evaluation

表2 因子载荷表Tab.2 Factor loading

表3 神经网络期望输出值Tab.3 Neural network′s output value of expect

2 停机坪安全预警的实现

根据从遥墙机场停机坪问卷中获得的数据，对上述因素进行神经网络训练。为了能够获得神经网络的训练数据，需请专家对相应指标进行打分来作为神经网络的训练样本[8]，如表4所示。

表4 专家对神经网络训练打分情况Tab.4 Expert scoring for neural network training

训练结束后，用sim（）函数进行仿真，得到的结果如表5所示。与前面所得到的期望值输出表格比较，即可发现，网络输出值与期望值非常接近，表明通过训练后的BP网络是可用的。

表5 sim（）函数模拟仿真结果Tab.5 Imitate result of function sim（）

这里采用 Matlab[7.8.0（R2009a）]人工神经网络工具箱函数，选用弹性BP算法对相关的数据进行数学运算。训练过程如图1所示，可发现随着训练次数的增加，网络输出与期望值之间的误差越小，本文中目标值与期望值的偏差值为小于10-2。

根据遥墙机场2010年7月份的指标u1～u12评分，可得到以下数据：（0.86380.26280.82400.32900.94130.24410.95710.51080.56460.99370.77100.3138）。

将数据载入后，经过Matlab程序运算，并得到相应的结果。其结果为

result=[0.00000.10810.00021.0000]

由上面的警情设置和本次预警的数据可知，本次预警结果的预警级别属于Ⅳ[0001]，属于无警状态。

重警是指停机坪发生重大的安全事故，需要机场和地方政府各个部门协同处理。轻警和中警是事故征兆或小的事故发生情况，需进行相应的管理调整和安全引导，消除事故发生的隐患。无警状态是安全状态，不需做任何调整。因此，遥墙机场7月份的停机坪安全状况良好，不需要做任何调整。

3 结语

由于因子分析法只是从停机坪安全指标的实际表现值角度对停机坪安全指标进行选择和评价，不用考虑各指标的实际权重，而单单依靠指标的数值进行数据分析，受人为因素影响较小，因而具有一定的客观性和可信度。同时，运用BP神经网络建立停机坪安全预警模型，该预警模型的训练应用了遥墙机场停机坪运行中的实际数据，利用这些数据对该模型进行了训练，训练后的模型可以用于停机坪的安全预警工作。但BP神经网络的构造过程中相关参数设定可能随着具体的问题而变化，需经过大量的训练才能确定。但网络的学习和记忆具有不稳定性，如果增加了学习样本，训练好的网络就需从头开始训练。因此随着停机坪管理状况的变化，不同数量的数据样本进行预测需重新进行训练，才能得到预警结果。

此外，运用因子分析和BP神经网络相结合的方法，除了对停机坪安全现状进行预测外，还可对机场影响安全的其他方面或者总体进行预警，因此在机场安全管理方面具有更强的实用性。

[1]王云龙.民用机场停机坪事故分析和预防[J].中国民用航空，2009，101（4）：59-61.

[2]赵丽萍，徐维军.综合评价指标的选择方法及实证分析[J].宁夏大学学报，自然科学版，2002，23（2）：144-146.

[3]何晓群.现代统计分析方法与运用 [M].北京:人民大学出版社，1999：68-73.

[4]刘晓庆.上海市旅游咨询中心服务效应评价研究[D].上海：上海师范大学，2010.

[5]王 悦.人工神经网络在综合评价决策中的应用[J].企业技术开发，2007（3）：41-44.

[6]孙 嵘.基于BP神经网络的中小企业财务风险预警研究[D].长沙：长沙理工大学，2008.

[7]樊 元，郝哲欧.SPSS实用统计分析[M].北京:中国水利水电出版社，2002.

[8]董长虹.Matlab神经网络与应用[M].北京:国防工业出版社，2007.