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。     

基于模糊均生函数和最优子集回归的飞行事故率预测

为有效预防飞行事故的发生,针对飞行事故率具有随机波动性和趋势性的特点,采用模糊均生函数(FMGF)和最优子集回归(OSR)建立飞行事故率预测模型。该方法把FMGF延拓序列作为预测因子加入OSR方程,将FMGF分析和因子筛选相结合作OSR,进而对飞行事故率进行预测。通过对美国空军1988—2004年的飞行事故率进行拟合预测,结果表明:将FMGF模型和OSR模型有机结合,能够有效刻画飞行事故率的随机波动特性,并且其预测结果的相对误差也较小。     

基于多生理信号的飞行警戒疲劳检测

为预防事故发生,保障飞行安全,提出一种基于多生理信号和支持向量机(SVM)的飞行警戒疲劳检测方法,识别飞行员飞行警戒中的疲劳状态。首先,研究疲劳评价与检测方法,并基于自主开发的飞行警戒测试系统与多导生物反馈仪和眼动仪搭建试验平台;然后,采集飞行警戒作业中的心电、眼动、呼吸等多生理信号和主观疲劳自评值;再次,通过配对样本的非参数检验,提取敏感生理指标,并以此作为特征向量,通过机器学习训练,构建基于多生理信号和SVM的疲劳检测模型;最后,依据受试者工作特征(ROC)曲线和模型准确率,对比分析各疲劳检测模型的效果。结果表明：在飞行警戒疲劳状态下,作业者的多项生理指标均有显著变化;心电、眼动和呼吸等多生理信号融合较单一信号的疲劳检测效果好,其ROC曲线下面积为0.802。基于高斯径向基核函数(RBF)构建的疲劳检测模型训练及预测准确率可达93%和87.50%。基于多生理信号和SVM方法可以实现对飞行警戒疲劳状态的检测。     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

矿井煤与瓦斯突出事故应急救援能力评估模型

为降低煤矿井下煤与瓦斯突出事故中的人员伤亡和财产损失,提高突出事故中的应急救援能力,提出一种麻雀搜索算法(SSA)优化支持向量机(SVM)的煤与瓦斯突出事故应急救援能力评估模型。首先,依据相关文献与研究报告构建包括应急预防能力、应急准备能力、应急响应能力和恢复善后能力在内的4项一级指标,其中包括18项二级指标,并以各指标的得分数据作为模型训练数据集;然后,利用网络层次分析法(ANP)与熵权法(EWM)分别确定各评估指标在相互影响下的主客观权重,通过拉格朗日函数将各权重融合得到最优权重,运用SSA算法优化SVM的径向基核参数g和惩罚因子C,将最优权重计算得出的结果作为SSA-SVM模型的输入,期望值作为输出进行线性回归预测;最后,以河北省某矿为例,将SSA-SVM模型与传统SVM、粒子群优化算法(PSO)优化SVM、鲸鱼优化算法(WOA)优化SVM 3种不同模型的预测结果分别与期望值作对比分析。结果表明：SSA-SVM模型的预测结果与实际相符,平均绝对误差相较于其他模型分别下降8.04%、5.15%、4.82%,证明所建模型的优越性,可将其应用于矿山企业实际矿井煤与瓦斯突出事故应急救援能...     

机械原因飞行事故诱因的分析与预测研究

为更好地预防机械原因飞行事故,提高安全管理和决策的水平,提出机械原因飞行事故诱因的分析与预测方法。首先借鉴"瑞士奶酪"模型的思想,建立了机械原因飞行事故诱因分析分类体系;而后构建了事故的二进制矩阵,通过进行比例矩阵分析和单一聚类分析来辨识重要的单诱因、两两诱因组合和事故主要诱发模式;最后采用Bootstrap方法对其进行预测。结果表明:所提出的方法能够辨识出机械原因飞行事故中的重要单诱因、两两诱因组合和主要诱发模式,并对其做出较为准确的预测,进而对制订事故防控预案,预防此类事故的发生具有重要意义。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

基于支持向量机的室内轰燃预测模型研究

为对室内轰燃进行准确预测,针对室内轰燃样本的不足在一定程度上制约了其应用,为此运用SVM技术构建室内轰燃预测的数学模型。在小样本条件下,应用工具软件LIBSVM进行仿真,并将SVM模型预测结果和人工神经网络预测结果进行对比。结果显示,SVM技术能较好地解决小样本和模型预测精确度之间的矛盾,SVM模型其预测精度及可行性高于神经网络模型。实例表明,由于室内火灾受多种因素影响,传统的预测方法存在一定的局限性,而SVM模型预测法预测的结果与试验结果比较一致。     

基于ARIMA-LOESS模型的危化品道路运输事故起数预测

文章针对危化品道路运输事故预测问题,运用差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)与局部加权回归模型(Locally Estimated Scatterplot Smoothing,LOESS)的组合模型,对我国危化品道路运输事故发生起数进行预测。首先,基于2011—2018年我国发生的危化品道路运输事故数据建立ARIMA模型,利用SPSS软件进行模型拟合预测,获取危化品道路运输事故起数的线性部分;其次,应用MATLAB建立LOESS回归模型,对ARIMA模型预测偏差进行残差优化,获取危化品道路运输事故起数的非线性部分;最后,建立ARIMA-LOESS组合模型,利用组合模型对危化品道路运输事故发生起数进行预测,并根据真实数据对预测结果进行对比验证。结果表明:ARIMA-LOESS组合预测模型可较好拟合危化品道路运输事故数据序列,并修正单一模型的误差,获取较高的预测精度。该研究可为危化品道路运输安全与运行的趋势分析与判断提供更加可靠的数据依据,也可为危化品道路运输事故防控方案提供帮助。     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

我国工伤事故死亡率分析及其ARIMA预测

对我国工伤事故死亡率的历史数据进行分析,介绍ARIMA模型预测法。根据统计学理论,运用ARIMA模型,借助相关软件预测我国工伤事故死亡率,可知未来几年,工伤事故的千人死亡率总体上呈逐年下降的趋势;与移动平均法、指数平滑法预测结果作比较,可知ARIMA模型预测效果最佳;同时,由于影响工伤事故的因素很多,与长期预测相比,ARIMA模型更适合于对工伤事故死亡率作短期预测。     

航空装备事故的灰色时序组合预测模型

为提高航空装备事故预测水平,提出一种基于灰色和时间序列分析模型的航空装备事故组合预测模型。先构建灰色模型,提取历史数据中承载的趋势信息。然后进行模型选择、阶数识别和参数估计,建立灰色残差的时间序列分析模型,用以刻画历史数据中的随机波动特征。最后,将2个模型的预测值相加,得到所求的组合预测结果。实例中,以美国空军1996—1999年的A级飞行事故10万时率数据为基础,建立灰色时序组合模型,模型中短期预测精度优于单一灰色模型,平均相对误差控制在5%以内,预测结果能够反映航空装备安全的实际状况。     

基于ARIMA和XGBoost组合模型的交通事故预测

近年来交通事故及其损失严重影响社会经济的发展和人民生活的提高,交通事故预测可以为交通事故预防提供数据支持。基于自回归滑动平均(ARIMA)模型和极端梯度提升(XGBoost)模型,构建时间序列组合预测模型,对交通事故相关指标进行趋势预测。根据交通事故的特点,选定"事故起数""受伤人数""死亡人数"及"损失"4个指标。首先,根据自相关、偏自相关图确定ARIMA模型参数,根据AIC(赤池信息准则)值确定最终模型;然后,对4个指标的ARIMA模型预测结果的残差构建残差序列,对其进行XGBoost建模,得出修正后的残差预测值;最后,根据残差预测值和ARIMA模型预测值得出组合模型最终的预测值。实例结果表明,4项指标的混合预测模型的预测精度均优于单一的ARIMA模型和Holt-winters模型,其中以"受伤人数"和"死亡人数"的模型改善效果最为显著,"受伤人数"指标的平均绝对百分比误差降低了5.431 7个百分点,"死亡人数"指标的平均绝对百分比误差降低了3.625 9个百分点。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

基于差异进化支持向量机的坑外土体沉降预测

就用支持向量机(SVM)预测基坑外土体沉降而言,通过差异进化(DE)算法构造适合的决策函数十分重要。在确定坑外土体沉降函数的基本形式下,进行参数反演。后将得到的解析式作为SVM的决策函数,再进行核函数转换,从而使SVM的曲线拟合更加快速,预测更加准确。对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测的结果表明,使用SVM-DE算法在计算数据量、计算消耗时间和预测精度方面优于2种方法单独使用。     

基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。