基于MBKA-TCN-BiLSTM模型的小型航空公司风险预测

王占海; 田彬; 王相杰; 王轩; 吴涛

doi:10.12404/j.issn.1671-1815.2504890

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (11) :4894-4902 DOI: 10.12404/j.issn.1671-1815.2504890

航空、航天

基于MBKA-TCN-BiLSTM模型的小型航空公司风险预测

王占海 ¹ ,
田彬 ² ,
王相杰 ² ,
王轩 ² ,
吴涛 ¹

作者信息 +

Risk Prediction for Small Airlines Based on the MBKA-TCN-BiLSTM Model

Author information +

文章历史 +

摘要

针对小型航空公司安全风险预测中数据分散、动态变化复杂的问题,提出一种基于改进黑翅鸢优化算法(modified black kite algorithm, MBKA)的时间卷积网络-双向长短期记忆网络(temporal convolutional network-bidirectional long short-term memory, TCN-BiLSTM)混合模型。首先,构建动态赋权的民航安全风险指标体系,通过事件等级、事件类型、事件原因和事发阶段的多维度量化映射,解决了传统方法指标冗余、计算复杂度高的问题;其次,提出时序自适应攻击策略、线性锁优策略和可变缩放因子差分进化机制,显著提升了MBKA的全局搜索能力与收敛效率,使其能够高效优化TCN-BiLSTM的超参数。实验结果表明,与传统TCN-BiLSTM模型、基于粒子群优化(particle swarm optimization, PSO)的PSO-TCN-BiLSTM模型以及BKA-TCN-BiLSTM模型相比,MBKA-TCN-BiLSTM模型的平均绝对误差(mean absolute error, MAE)分别降低18.44%、5.81%、3.95%,均方根误差(root mean square error, RMSE)分别降低17.21%、7.77%、8.72%,决定系数 R²分别提升4.59%、1.72%、1.90%。研究结果不仅为小型航空公司提供了轻量化、高精度的风险预测工具,还为复杂时序数据的建模与优化提供了普适性框架,可推广至交通、能源等领域的动态风险预测任务。

Abstract

To address the problem of data dispersion and complex dynamic changes in safety risk prediction for small airlines, a hybrid model of temporal convolutional network bidirectional long short term memory (TCN-BiLSTM) based on the modified black kite algorithm (MBKA)was proposed. Firstly, a dynamic weighting civil aviation safety risk indicator system was constructed, which solved the problems of redundant indicators and high computational complexity in traditional methods through multi-dimensional quantitative mapping of event levels, types, causes, and stages. Secondly, the proposed timing adaptive attack strategy, linear lock optimization strategy, and variable scaling factor differential evolution mechanism significantly enhance the global search capability and convergence efficiency of MBKA, enabling it to efficiently optimize the hyperparameters of TCN-BiLSTM. The experimental results show that compared with traditional TCN-BiLSTM, PSO-TCN-BiLSTM model based on particle swarm optimization (PSO) and BKA-TCN- BiLSTM models, the MBKA-TCN-BiLSTM model reduces mean absolute error (MAE) by 18.44%, 5.81%, and 3.95%, and root mean square error (RMSE) by 17.21%, 7.77%, and 8.72%, respectively. The coefficient of determination (R²) increases by 4.59%, 1.72%, and 1.90%, respectively. The results not only provides lightweight and high-precision risk prediction tools for small airlines, but also provides a universal framework for modeling and optimizing complex time-series data, which can be extended to dynamic risk prediction in fields such as transportation and energy.

Graphical abstract

关键词

黑翅鸢优化算法 / 时间卷积网络 / 双向长短期记忆网络 / 安全风险预测

Key words

black-winged kite optimization algorithm / temporal convolutional network / bidirectional long short-term memory network / security risk prediction

引用本文

引用格式 ▾

王占海, 田彬, 王相杰, 王轩, 吴涛. 基于MBKA-TCN-BiLSTM模型的小型航空公司风险预测[J]. 科学技术与工程, 2026, 26(11): 4894-4902 DOI:10.12404/j.issn.1671-1815.2504890

WANG Zhan-hai, TIAN Bin, WANG Xiang-jie, WANG Xuan, WU Tao. Risk Prediction for Small Airlines Based on the MBKA-TCN-BiLSTM Model[J]. Science Technology and Engineering, 2026, 26(11): 4894-4902 DOI:10.12404/j.issn.1671-1815.2504890

登录浏览全文

4963

注册一个新账户忘记密码

近年来,中国民航业持续高速发展,运输航空市场规模迅速扩大。在这一背景下,部分航空公司因“规模小、运行分散、股权变更频繁、基地转移频繁、资源投入不足”等特征,被归类为“小散变转欠”型航空公司,在本文中简称为“小型航司”。此类航空公司在安全管理中面临组织架构不稳定、安全资源分配不均、运行流程分散、人员技术参差不齐等独特风险。例如,某小型航司飞机在某次飞行中触发了近地警告,原因是机组错误设置了本场场压,暴露出小型航司在训练质量上不足等风险。因此,亟需开展针对性的风险预测研究,以提升安全运行水平、预防不安全事件发生。

中外学者在民航安全风险预测领域已取得一定进展。例如,孟庆森等^[1]借助时空阈值分析法,构建基于贝叶斯优化随机森林的模型,预测高速公路二次事故。于思璇等^[2]利用稀疏降噪自编码算法,对万架次率进行较为精确的预测。孙瑞山等^[3]通过改进的关联度分析明确影响民航事故征候的关键因素,借助三角模糊数从时间序列开展预测。袁良运^[4]基于文本挖掘与层次分析法,构建民航安全风险指标体系,提出分级风险应对策略。王健^[5]提出数据驱动的通航风险评价体系,推动监管模式从事后被动管理向数据驱动的转变。吴良川^[6]设计并实现航空公司风险评估与预警系统,集成多种功能,提升风险处理效率。熊海涛^[7]运用灰色预测法分析航空公司不安全事件风险系数,结合风险矩阵,有效识别极端事故的潜在触发因素。徐怡等^[8]构建主成分分析(principal component analysis,PCA)-遗传算法(genetic algorithm,GA)-反向传播(back propagation,BP)组合模型,提升民航事故征候率预测精度。王岩韬等^[9]基于多变量混沌时间序列重构相空间,采用径向基函数(radial basis function,RBF)模型预测航班运行风险,验证混沌理论在短期风险预测中的有效性。赵珊^[10]设计双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)-反向传播(BP)安全风险预测模型,优化模型参数,准确率显著提高,为民航动态风险预警提供了新方法。程杰等^[11]提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法,搭建基于卷积神经网络(convolutional neural network, CNN)与BiLSTM的组合模型,通过灰狼优化算法(grey wolf optimizer, GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。吐尔逊·买买提等^[12]提出一种基于Hyperband-CNN-BiLSTM的机动车油耗预测方法,基于实际道路测试收集到的车辆运行状态数据和油耗数据,分析了影响车辆油耗的显著性因素,通过Hyperband优化算法对组合模型进行优化,实现对车辆油耗的建模和预测。然而,现有方法普遍依赖大规模多维数据,存在指标冗余、计算复杂、泛化能力有限等问题,难以适应小型航司数据分散、信息碎片化的现实需求。

针对上述问题,现以历史不安全事件数据为基础,提出一种面向小型航司的风险预测模型。拟通过结构化梳理事件等级、类型、原因与事发阶段,构建动态赋权的风险指标体系,并利用改进黑翅鸢优化算法以提升超参数优化效率,结合时间序列分析与轻量化智能算法,旨在实现对综合风险值的有效预测,以期为小型航司的安全管理提供一种切实可行的风险预警工具。

1 安全风险量化方法

1.1 安全风险指标体系构建

民航安全风险是事件发生概率与后果严重性的综合表征。针对小型航司的运行特点,从事件等级、事件类型、事件原因、事发阶段4个维度构建安全风险指标体系,这4个维度既是民航信息网收集不安全事件的重要内容,又是评价安全风险的重要依据。

其中,事件等级根据事件后果严重性划分为一般事件、征候、事故3类;事件类型是基于不安全事件的表现形式分类,如液压故障、失控/失速、鸟击等;事件原因是分析事件的直接或间接诱因,如机械故障、机组操作失误、天气意外等;事发阶段是划分事件发生的飞行阶段,包括起飞、巡航、进近、着陆等,依此构建安全风险指标体系,如图1所示。

1.2 风险指标量化方法

民航安全风险量化以“海恩法则”与德尔菲法为核心依据^[13],基于民航不安全事件的核心要素,构建包含事件等级、事件类型、事件原因、事发阶段四个维度的安全风险指标体系。每个维度通过德尔菲法确定权重,如表1所示,每起不安全事件的综合风险值(R_i)由事件等级权重(W_g)、事件类型权重(W_t)、事件原因权重(W_c)、事发阶段权重(W_p)四部分加和得出:R_i=W_g+W_t+W_c+W_p,最终形成动态加权的民航安全风险量化模型。

2 预测模型构建

2.1 预测模型算法选择

如图2所示为每起不安全事件的综合风险值随事件发生变化趋势。整体而言,该曲线未呈现出明显的周期性,亦无线性上升或下降态势,而是以复杂波动的形式展现,体现出非线性特征。期间,综合风险值虽未出现瞬间大幅跃升的情况,但综合风险值会因事件发生而迅速升降,随后又有一定程度的回调,反映出短时间内安全风险的梯度变化明显。

这意味着在进行安全风险预测时,传统的线性或周期性预测模型可能无法精准适用。

针对上述问题,提出一种基于MBKA-TCN-BiLSTM混合模型,该模型融合时间卷积网络(temporal convolutional network,TCN)强大的局部特征提取能力和双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)出色的双向时序建模能力,并借助改进黑翅鸢优化算法(modified black kite algorithm,MBKA)对超参数进行优化,旨在实现对民航安全风险的高精度预测,模型主要框架结构如图3所示,主要包括以下细节。

(1)数据输入:对原始不安全事件数据集量化后,数据以N×M矩阵的形式呈现。其中,N为时间序列长度,即采用4年的历史数据,M为特征维度,这里M=1,包含1个整体权重预测目标。

(2)TCN:输入数据是经过量化的不安全事件风险值序列,其初始维度为N×1,其中N为时间步数。TCN部分采用多层因果扩张卷积结构,首层输入通道数为1,输出通道数为32,卷积核大小为3,扩张因子为1;第二层输入通道数为32,输出通道数为64,扩张因子为2;第三层输入通道数为64,输出通道数为128,扩张因子为4。每层均采用ReLU激活函数,并采用左填充(Causal Padding)以保持时序因果关系。为减少信息丢失,未设置池化层,并引入Dropout层(丢弃率0.3)以抑制过拟合。最终TCN输出维度为N×128。

(3)BiLSTM:将TCN输出的128维特征序列作为BiLSTM的输入。BiLSTM层隐藏单元数设为256,前向与后向LSTM各输出256维特征,拼接后形成512维输出。层间设置Dropout率为0.2,以进一步提升模型泛化能力。

(4)BKA:在超参数优化中,卷积核大小设定为[2,5],扩张因子为[1,4],BiLSTM隐藏单元数为 [64,256],Dropout率为[0.2,0.5]。卷积核大小在2~5可在感受野与模型复杂度之间取得平衡;扩张因子控制在4以内可有效捕捉中短期依赖;隐藏单元数设定参考典型BiLSTM结构设计;Dropout率范围符合常用正则化区间,兼顾训练稳定性与泛化能力。

2.2 时间卷积网络

时间卷积网络(TCN)作为深度学习模型在序列数据处理领域具有卓越表现,近年来在诸多应用场景中使用^[14]。在民航安全风险预测领域,精准捕捉时间序列数据中的复杂特征和趋势对提升预测准确性至关重要。时间序列数据的先后顺序极为关键,因果卷积严格遵循数据的自然演进规律,确保当前时刻的预测仅依赖于过去和当前的信息,有效避免了因未来信息泄露而产生的不合理预测,为模型的可靠性提供了坚实保障。

2.3 双向长短期记忆网络

双向长短期记忆网络(BiLSTM)基于长短期记忆网络(long short-term memory,LSTM)发展而来,从结构上看,BiLSTM由前向LSTM与后向LSTM并行构成,这种设计打破了传统单向模型仅能从单一时间方向处理数据的局限^[15]。前向LSTM沿着时间顺序,从序列开头逐步处理数据,不断积累从起始时刻到当前时刻的信息,而后向LSTM则逆向而行,从序列末尾向前处理,收集从末尾到当前时刻的信息,为全面理解和分析民航安全风险数据提供了更广阔的视角。

2.4 黑翅鸢优化算法

黑翅鸢优化算法(black kite algorithm, BKA)是一种源于自然启发的群智能优化算法。其灵感来自黑翅鸢的捕食与迁徙行为,具备强大的进化能力、快速的搜索速度以及出色的寻优能力,已在工程优化、机器学习、数据挖掘等诸多领域广泛应用^[16-18]。

和多数优化算法相似,BKA通过随机方式设定黑翅鸢的位置作为潜在解,其位置由潜在解数量P、问题维度D等参数构成的矩阵表示。每只黑翅鸢在各维度的位置基于搜索空间的下界为X_min=(X_min1,X_min2,…,X_mindim),并且上界为X_max=(X_max1,X_max2,…,X_maxdim),通过均匀分布的随机数在对应维度范围内生成。算法从初始群体中选择适应度值最佳的个体作为领导者,即黑翅鸢的最优位置。

设适应度函数为f(x),则领导者位置X_leader满足

(1)f(X_leader)=mi${\mathrm{n}}_{i=1}^{P}$f(X_i)

式(1)中:X_i=(X_i₁,X_i₂,…,X_iD)表示第i只黑翅鸢的位置。

模拟黑翅鸢捕食行为的攻击策略是算法的重要部分。该策略将黑翅鸢飞行时会依据风速调整翅膀与尾角,悬停观察猎物后迅速俯冲,转化为算法的全局探索和局部搜索机制。全局探索机制:当rand(0,1)<C₁时,有

(2)${X}_{i}^{new}$=X_leader+r₁(X_rand1-X_rand2)

式(2)中:X_rand1和X_rand2为从种群中随机选择的两只不同黑翅鸢的位置;C为常数;r₁为随机数。

局部搜索机制:当rand(0,1)<C₂时,有

(3)${X}_{i}^{new}$=X_i+r₂(X_leader-X_i)

式(3)中:

${X}_{i}^{new}$

为黑翅鸢,更新后的位置;C₂为常数;r₂为随机数。

迁移行为模拟的是黑翅鸢的迁徙过程。若当前种群适应度值低于随机种群时,领导者会放弃领导,加入迁徙种群,意味着其不再适合引领种群。反之,领导者则会带领种群直至抵达目的地。这样能动态选出优秀领导者,保障迁移成功。在此过程中,借助柯西变异设柯西分布的参数为γ,变异后的领导者位置为

(4)${X}_{leader}^{mutated}$=X_leader+γCauchy(0,1)X_leader

式(4)中:Cauchy(0,1)为服从标准柯西分布的随机数。帮助算法跳出局部最优解,提高在全局搜索空间找到更优解的可能性。

通过持续迭代更新黑翅鸢的位置,并依据适应度函数判断每个解的好坏,进而逐步探寻问题的最优解。

3 改进黑翅鸢优化算法

传统BKA在处理民航安全风险预测模型超参数优化时,存在收敛速度慢、易陷入局部最优等问题。为解决这些问题,提出一种改进黑翅鸢优化算法(MBKA)。通过引入时序自适应攻击策略、线性锁优策略、可变缩放因子差分进化策略及动态响应机制,显著提升算法在时间序列数据中的全局搜索能力与收敛效率,为TCN-BiLSTM模型的超参数优化提供了更高效的解决方案。

3.1 时序自适应攻击策略

在民航安全风险预测模型的超参数优化中,平衡全局探索与局部挖掘能力至关重要。传统BKA算法在搜索过程中,难以根据搜索阶段的不同动态调整搜索强度,导致搜索效率低下。为解决这一问题,提出基于迭代次数动态调整参数的自适应攻击策略。

在搜索初期,由于对最优解的位置了解有限,需要扩大种群搜索范围,以快速找到可能的优质区域,加速收敛。通过增大攻击步长系数w,使个体能够在更广泛的参数空间内进行探索。随着搜索的进行,接近最优解时,需要增强局部精细化搜索能力,以提高解的精度。因此,在搜索后期,逐步减小w,使个体在最优解邻域内进行更细致的搜索。

系数w数学描述为

(5)w=2rcos$\left(\frac{\mathrm{\pi }}{2}\frac{t}{\mathrm{m}\mathrm{a}\mathrm{x}t}\right)$

个体位置更新公式为

(6)${X}_{\mathrm{t}+1}^{\mathrm{i},\mathrm{j}}$=$\left\{\begin{array}{ll}{X}_{t}^{\mathrm{i},\mathrm{j}}+w(1+\mathrm{s}\mathrm{i}\mathrm{n}r){X}_{t}^{\mathrm{i},\mathrm{j}},& p<r\\ {X}_{t}^{\mathrm{i},\mathrm{j}}+w(2r-1){X}_{t}^{\mathrm{i},\mathrm{j}},& \mathrm{其}\mathrm{他}\end{array}\right.$

式(6)中:t为当前迭代次数; maxt为最大迭代次数;p为预先设定的常数(如0.5);r为[0,1]内的随机数;i为种群中第i个个体(即第i只黑翅鸢)的索引;j为个体位置向量的第j个维度索引。

该策略通过动态调整搜索步长,在前期快速覆盖参数空间,利用较大的w和n值,使个体能够探索更多的潜在区域,加快收敛速度,在后期聚焦最优解邻域,通过减小w和n值,使个体在最优解附近进行更精确的搜索,有效协调了算法不同阶段的搜索强度,提高了算法的搜索效率和收敛精度。

3.2 维度等分线性锁优策略

传统BKA容易陷入局部最优解,难以找到全局最优解。针对这一问题,提出基于维度等分的线性锁优策略。

对每个维度d进行均匀划分,将其划分为n个等分段,计算各等分点的适应度值。通过遍历每个维度上的等分点,能够全面地探索该维度上的潜在最优解。选取最优等分点构建新个体,即

(7)${x}_{d}^{\left(k\right)}$=$\frac{\mathrm{u}\mathrm{b}\left(d\right)-\mathrm{l}\mathrm{b}\left(d\right)}{m}$k

式(7)中:ub(d)和lb(d)分别为维度d的上下界;m为等分段数;k∈[0,m]。随后,将原个体X在第d维度的值替换为

${x}_{d}^{\left(k\right)}$

,从而构建出由n+1个测试点组成的新个体向量X⁽^k⁾,即

(8)X⁽^k⁾=(${x}_{1}^{\left(k\right)}$,…,${x}_{d}^{\left(k\right)}$,…,${x}_{D}^{\left(k\right)}$)

通过遍历k的值,计算这n+1个新测试个体

${x}_{d}^{\left(k\right)}$

的适应度值,选取其中适应度最优的个体取代原个体。

该策略通过局部维度寻优,能够充分利用高维空间中各维度的信息,避免算法在搜索过程中忽略某些重要的潜在解,有助于算法更快地找到全局最优解。

3.3 可变缩放因子差分进化机制

为增强算法跳出局部最优的能力,引入改进的差分进化策略。

设计动态缩放因子F,随迭代次数自衰减,表达式为

(9)F=0.5$\left[1-\mathrm{s}\mathrm{i}\mathrm{n}\left(\frac{\mathrm{\pi }}{2}\frac{t}{\mathrm{m}\mathrm{a}\mathrm{x}t}\right)\right]$

式(9)中:t为当前迭代次数;maxt为总迭代次数。算法初期保持较大变异幅度以增强全局搜索能力,随着迭代深入逐步减小变异强度,实现解空间精细搜索。

变异操作中,结合精英个体生成实验向量,表达式为

(10)V_i_,_g=X_r1,_g+F(X_r2,_g-X_r3,_g)

式(9)中:X_r1,_g、X_r2,_g、X_r3,_g分别为从种群中随机选择的3个不同个体,而V_i,为第g代种群中产生的中间向量,通过这种方式生成的变异向量能够综合不同个体的信息,增加种群的多样性。

通过二项式交叉保留优势基因,表达式为

(11)U_i_,_j_,_g=$\left\{\begin{array}{ll}{V}_{\mathrm{i},\mathrm{j},\mathrm{g}},& \mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}\left(\mathrm{0,1}\right)\le \mathrm{C}\mathrm{R}\bigcup {\mathrm{j}}_{rand}\\ {X}_{\mathrm{i},\mathrm{j},\mathrm{g}},& \mathrm{其}\mathrm{他}\end{array}\right.$

式(10)中:U_i_,_j_,_g为第g代中,第i个实验向量在第j维上的分量值;CR为交叉概率;j_rand随机产生的一个整数。该操作确保变异向量V_i_,_j_,_g至少有一维信息被保留,同时保留了原个体X_i_,_j_,_g的部分信息,使得新个体既包含了变异的信息,又保留了原个体的优势基因。

该策略在保持种群多样性的同时,通过动态调整缩放因子F,控制变异操作的强度,显著提升了全局寻优效率。

3.4 动态响应机制

民航安全风险数据分布往往是动态变化的,传统的BKA难以适应这种变化,容易陷入局部最优解,针对这一问题,提出基于反向学习的动态响应机制。

当检测到适应度波动低于阈值δ=0.01时,表明算法可能陷入了局部最优或数据分布发生了变化。

设当前陷入停滞的个体向量为X=(x₁,x₂,…,x_D)。首先,利用随机反向学习策略生成一个扰动个体X_drs=(x_drs,1, x_drs,2,…, x_drs,_D),对于该个体的第j个维度,其标量坐标值x_drs,_j的计算公式为

(12)x_drs,_j=x_j+r[r(ub_j+lb_j-x_j)-x_j]

式(12)中:x_j为当前个体在第j维的坐标值;ub_j和lb_j分别为维度上下界;r为[0,1]内的随机数。该公式通过对当前个体进行反向扰动,生成新的个体X_drs。

通过竞争选择保留优质个体,即

(13)X=$\left\{\begin{array}{ll}{X}_{drs},& f\left({X}_{drs}\right)\le f\left({X}_{\mathrm{r}}\right)\\ {X}_{\mathrm{r}},& \mathrm{其}\mathrm{他}\end{array}\right.$

式(12)中:f(·)为适应度函数;X_r为随机初始化个体。通过比较X_drs和X_r的适应度值,选择适应度更优的个体,确保种群中始终保留优质个体。

该机制通过引入反向学习扰动,在保证种群多样性的同时,快速适应数据分布变化,避免算法陷入局部最优解。

3.5 算法流程

MBKA流程如图4所示,首先输入目标函数及参数配置,通过Cubic混沌映射生成初始种群并计算个体适应度,随后执行自适应攻击策略更新个体位置,若参数越界则结合全局最差解扩展搜索范围, 否则采用维度等分策略筛选优质新个体,对新个体进行优劣判断后,通过动态缩放因子驱动差分进化操作,并实时监测适应度波动,触发异常时生成反向扰动种群重新竞争,最终在达到最大迭代次数时输出最优参数,未满足条件则持续循环优化,形成完整的“评估-攻击-进化-响应”闭环逻辑链,确保高效收敛至全局最优解。

4 算例分析

4.1 数据来源及模型评价指标

选取2020年1月—2024年12月期间天骄航空报告的飞机不安全事件作为分析样本,所有原始数据均采集自中国民用航空局官方建设的航空安全信息网(https://safety.caac.gov.cn/)。该平台所发布的不安全事件报告结构完善、内容规范,是中国航空安全监管领域中具有较高公信力的信息源。经初步收集,共获取相关不安全事件原始记录131条。

为明确研究边界并提升数据的适用性,本研究对象为运输航空类不安全事件,据此对原始样本执行数据清洗:排除其中5条通用航空不安全事件记录,并对1条尚未明确等级的事件完成等级核定。经过上述处理,最终纳入分析的有效样本总量为126条。依据本文“第1节安全风险量化方法”对所有事件进行风险值测算,将风险值数据按80%与20%的比例划分为训练集与测试集,以检验模型的有效性。

为验证所选模型与优化算法的有效性,与未加入特定优化的TCN-BiLSTM模型、PSO-TCN-BiLSTM模型、BKA-TCN-BiLSTM模型和MBKA-TCN-BiLSTM模型在同一数据集上进行对比实验并分析结果。

预测模型评价指标使用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、决定系数R²,计算公式为

(14)MAE=$\frac{1}{n}\stackrel{n}{\sum _{i=1}}\left|{y}_{i}-{\stackrel{\wedge }{y}}_{i}\right|$

(15)RMSE=$\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\stackrel{\wedge }{y}}_{i}{)}^{2}}$

(16)R²=1-$\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\stackrel{\wedge }{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}{-\stackrel{-}{y})}^{2}}$

式中:

${\stackrel{\wedge }{y}}_{i}$

为模型预测值;y_i为真实值;

$\stackrel{-}{y}$

为真实值的平均值。平均绝对误差与均方根误差数值越小,判定系数越趋近于1,说明该模型预测的准确度越高。

4.2 预测结果分析

选取TCN-BiLSTM、PSO-TCN-BiLSTM、GWO-TCN-BiLSTM、HHO-TCN-BiLSTM、BKA-TCN-BiLSTM与MBKA-TCN-BiLSTM进行对比实验,各模型预测结果如图5所示。可以看出,MBKA-TCN-BiLSTM模型预测取得了较好的结果,不仅能够预测序列变化的趋势,而且真实值和预测值之间的误差较小,说明提出的MBKA-TCN -BiLSTM模型取得了较高的预测精度。

各模型的预测结果评价指标对比情况如表2所示。

其中,MBKA-TCN-BiLSTM模型相较于未改进的BKA-TCN-BiLSTM模型MAE下降了3.95%,RMSE下降了8.72%,R²提升了1.90%,说明MBKA在后续优化中,相较于传统BKA展现出更为突出的性能优势。MBKA-TCN-BiLSTM模型相较于TCN-BiLSTM模型MAE降低了18.44%,RMSE降低了17.21%,R²提升了4.59%。说明优化算法在模型寻优中起到了关键的作用,使得模型预测结果更加准确,减少了调参的过程。

5 结论

针对小型航司安全风险预测中数据分散、动态变化的特点,提出一种MBKA-TCN-BiLSTM混合模型,并通过实际民航数据验证其有效性。基于此模型,一小型公司提前一个月预测出将在下一季度初出现风险峰值,使安全管理部门获得了预警窗口期,为有效应对风险提供了参考。研究形成如下主要结论。

(1)构建了动态赋权的轻量化风险指标体系,其核心作用在于从根本上解决了传统风险预测方法在小型航司中不适用的问题。该方法通过事件等级、类型、原因与阶段的多维度量化与融合,将复杂的安全信息凝练为单一综合风险值,不仅极大简化了数据维度、降低了计算复杂度,其重要意义在于为数据稀疏、信息碎片化的小型航司提供了一个实操性强、计算成本低的量化工具,为在资源受限环境下实现有效风险监控提供了普适性解决方案。

(2)提出的改进黑翅鸢优化算法在超参数优化中发挥了关键作用,显著提升了时序预测模型的性能与训练效率。通过引入时序自适应攻击、维度等分线性锁优等策略,MBKA有效平衡了全局探索与局部开发能力,克服了传统优化器易陷入局部最优和收敛慢的缺陷。这一改进的意义在于,它不仅保障了TCN-BiLSTM混合模型能够以更少的迭代次数获得更高的预测精度,更验证了一种适用于复杂时序模型超参数优化的高效、鲁棒性方法,具备向其他优化场景推广的通用性。

(3)MBKA-TCN-BiLSTM混合模型重要作用是为小型航司乃至更广泛的工业界提供了一个高精度、轻量级的风险预测范式。实验证明,该模型在处理非线性、非平稳的安全风险数据时具有显著优势。该模型的意义在于,它所融合的动态指标量化、智能算法优化与深度学习建模的技术框架,具备强大的跨领域迁移能力,可直接应用于交通流量、设备故障预警、能源负荷等具有类似动态时序特征的预测任务,为相关行业的智能化风险防控提供了坚实的技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	孟庆森, 韩皓, 李易. 基于贝叶斯优化随机森林的高速公路二次事故预测研究[J]. 中国安全生产科学技术, 2023, 19(7): 205-210.

[2]	Meng Qingsen, Han Hao, Li Yi. Research on secondary accident prediction of expressway based on Bayesian optimization random forest[J]. Journal of Safety Science and Technology, 2023, 19(7): 205-210.

[3]	于思璇, 王华伟. 基于稀疏降噪自编码神经网络的通用航空风险预测[J]. 系统工程与电子技术, 2019, 41(1): 112-117.

[4]	Yu Sixuan, Wang Huawei. Risk forecasting in general aviation based on sparse de-noisingauto-encoder neural network[J]. Journal of Systems Engineering and Electronics, 2019, 41(1): 112-117.

[5]	孙瑞山, 张贯超, 高路平. 民航事故征候的改进关联度分析和三角模糊数预测模型[J]. 安全与环境学报, 2019, 19(5): 1662-1668.

[6]	Sun Ruishan, Zhang Guanchao, Gao Luping. Improved relation analysis and the triangular fuzzy number prediction model for the civil aviation incidents[J]. Journal of Safety and Environment, 2019, 19(5): 1662-1668.

[7]	袁良运. A航空公司飞行安全风险研究[D]. 成都: 西南交通大学, 2022.

[8]	Yuan Liangyun. A study on airline flight safety risk[D]. Chengdu: Southwest Jiaotong University, 2022

[9]	王健. 构建基于数据驱动的通航风险评价体系研究[J]. 民航管理, 2022(12): 59-63.

[10]	Wang Jian. Research on building a data driven navigation risk assessment system[J]. Civil Aviation Management, 2022(12): 59-63.

[11]	吴良川. 航空公司风险评估和预警系统的设计与实现[D]. 长春: 吉林大学, 2016.

[12]	Wu Liangchuan. Design and implementation of risk assessment and early warning system for airlines[D]. Chengchun: Jilin University, 2016.

[13]	熊海涛. 航空公司运行不安全事件安全风险管理方法研究[J]. 科技创新与应用, 2016(25): 262-263.

[14]	Xiong Haitao. Research on safety risk management methods for unsafe events in airline operations[J]. Technology Innovation and Application, 2016(25): 262-263.

[15]	徐怡, 王华伟, 熊明兰. 基于PCA-GA-BP的民航风险评价体系和预测模型[J]. 舰船电子工程, 2021, 41(2): 77-81.

[16]	Xu Yi, Wang Huawei, Xiong Minglan. Civil aviation risk evaluation system and forecast model based on PCA-GA-BP[J]. Ship Electronic Engineering, 2021, 41(2): 77-81.

[17]	王岩韬, 李景良, 谷润平. 基于多变量混沌时间序列的航班运行风险预测模型[J]. 工程科学学报, 2020, 42(12): 1664-1673.

[18]	Wang Yantao, Li Jingliang, Gu Runping. Flight operation risk prediction model based on the multivariate chaotic time series[J]. Chinese Journal of Engineering, 2020, 42(12): 1664-1673.

[19]	赵珊. 民用航空安全风险预测模型的研究[J]. 自动化应用, 2023, 64(12): 244-246.

[20]	Zhao Shan. Research on civil research on civil aviation safety risk prediction model[J]. Automation Application, 2023, 64(12): 244-246.

[21]	程杰, 陈鼎, 李春, 等. 基于GWO-CNN-BILSTM的超短期风电预测[J]. 科学技术与工程, 2023, 23(35): 15091-15099.

[22]	Cheng Jie, Chen Ding, Li Chun, et al. Ultra-short-term wind power prediction based on GWO-CNN-BiLSTM[J]. Science Technology and Engineering, 2023, 23(35): 15091-15099.

[23]	吐尔逊·买买提, 孙慧, 刘亚楼. 基于Hyperband-CNN-BiLSTM模型的车辆油耗预测方法[J]. 科学技术与工程, 2025, 25(9): 3896-3904.

[24]	Tursun Maimaiti, Sun Hui, Liu Yalou. Vehicle fuel consumption prediction method based on Hyperband-CNN-Bilstm model[J]. Science Technology and Engineering, 2025, 25(9): 3896-3904.

[25]	蔡志勇, 吕惠, 周睿, 等. 森林航空消防风险与作战方案的综合模糊评估[J]. 中国安全生产科学技术, 2022, 18(7): 201-206.

[26]	Cai Zhiyong, Lü Hui, Zhou Rui, et al. Comprehensive fuzzy assessment on risk and combat plan of forest aviation fire fighting[J]. Journal of Safety Science and Technology, 2022, 18(7): 201-206.

[27]	袁华, 陈泽濠. 基于时间卷积神经网络的短时交通流预测算法[J]. 华南理工大学学报(自然科学版), 2020, 48(11): 107-113, 122.

[28]	Yuan Hua, Chen Zehao. Short-term traffic flow prediction based on temporal convolutional networks[J]. Journal of South China University of Technology (Natural Science Edition), 2020, 48(11): 107-113, 122.

[29]	温惠英, 张东冉. 基于BiLSTM模型的高速公路交通量预测[J]. 公路工程, 2019, 44(6): 51-56.

[30]	Wen Huiying, Zhang Dongran. Highway traffic volume prediction based on BiLSTM model[J]. Journal of Highway Engineering, 2019, 44(6): 51-56.

[31]	周建新, 侯自川, 李忠泽. 融合多策略改进的黑翅鸢优化算法[J]. 电子测量技术, 2024, 47(22): 104-110.

[32]	Zhou Jianxin, Hou Zichuan, Li Zhongze. Black-winged kite optimization algorithm with multi-strategy improvement[J]. Electronic Measurement Technology, 2024, 47(22): 104-110.

[33]	王兴旺, 张清杨, 姜守勇, 等. 基于改进黑翅鸢优化算法的动态无人机路径规划[J]. 计算机应用研究, 2025, 42(5): 1401-1408.

[34]	Wang Xingwang, Zhang Qingyang, Jiang Shouyong, et al. Dynamic UAV path planning based on improved black winged kite optimization algorithm[J]. Application Research of Computers, 2025, 42(5): 1401-1408.

[35]	王玉芳, 程培浩, 闫明. 融合信赖域与非线性单纯形法的黑翅鸢优化算法[J]. 计算机科学与探索, 2025, 19(7): 1789-1807.

[36]	Wang Yufang, Cheng Peihao, Yan Ming. Black-winged kite optimization algorithm integrating trust domain and nonlinear simplex method[J]. Journal of Frontiers of Computer Science & Technology, 2025, 19(7): 1789-1807.

基金资助

工信部民机科研专项(MJZ2-6N21)

民航安全能力建设项目(ASSA2024/95)

民航安全能力建设项目(ASSA2023/04)

PDF (4205KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-01	2026-04-18	2025-11-26
Online Date
2026-06-08

摘要