民航行業(yè)的發(fā)展受到眾多因素的影響,具有高敏感性、高風(fēng)險(xiǎn)性的特點(diǎn),為了有效規(guī)避風(fēng)險(xiǎn),需要敏銳掌握民航行業(yè)未來一段時(shí)間可能出現(xiàn)的異常情況�；诖�,本文對民航行業(yè)發(fā)展預(yù)警方法進(jìn)行了研究。本文構(gòu)建了一套基于預(yù)警信號燈系統(tǒng)和長短期記憶網(wǎng)絡(luò)(Long Short Term Memory,LSTM)的民航行業(yè)發(fā)展預(yù)警方法,將傳統(tǒng)的預(yù)警方法與深度學(xué)習(xí)方法中的LSTM算法相結(jié)合,解決了傳統(tǒng)的預(yù)警方法中預(yù)測功能較弱的問題,提高了對未來警情預(yù)測的準(zhǔn)確性。本文的研究過程分為五步:一是選取預(yù)警指標(biāo),通過預(yù)警指標(biāo)初選和優(yōu)選,建立了包含19個(gè)三級指標(biāo)的預(yù)警指標(biāo)體系;二是確定各預(yù)警指標(biāo)的權(quán)重,本文采取的方法是標(biāo)準(zhǔn)差修正序關(guān)系法;三是構(gòu)建預(yù)警信號燈系統(tǒng),并對以往年份的警情進(jìn)行分析;四是構(gòu)建LSTM預(yù)測模型,并對預(yù)警指標(biāo)2019年和2020年的值進(jìn)行預(yù)測;五是結(jié)合預(yù)警信號燈系統(tǒng)和LSTM預(yù)測模型預(yù)測未來的警情。研究表明:本文構(gòu)建的基于預(yù)警信號燈系統(tǒng)和LSTM預(yù)測模型的預(yù)警方法能較好地反映中國民航行業(yè)的發(fā)展?fàn)顩r,且對預(yù)警指標(biāo)的預(yù)測準(zhǔn)確率較高。2019年和2020年的警情可總結(jié)為四點(diǎn):發(fā)展規(guī)模增速出現(xiàn)較大下降;安全形勢較為嚴(yán)...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1技術(shù)路線圖

10圖1-1技術(shù)路線圖本文的創(chuàng)新之處1、在預(yù)警方法上有所創(chuàng)新。本文建立了一套基于預(yù)警信號燈系統(tǒng)和LSTM預(yù)民航行業(yè)發(fā)展預(yù)警方法體系，將傳統(tǒng)的預(yù)警方法與深度學(xué)習(xí)方法中的LSTM算，解決了傳統(tǒng)的預(yù)警方法中預(yù)測功能較弱的問題，提高了對未來警情預(yù)測的準(zhǔn)2、在研究內(nèi)容上有所創(chuàng)新....

圖2-1非平穩(wěn)序列時(shí)序圖

穩(wěn)序列是指在平穩(wěn)序列上疊加了其他成分的一種時(shí)節(jié)性中的一種或幾種成分[55]。常用的判斷方法是繪顯的平穩(wěn)序列和非平穩(wěn)序列可以通過時(shí)序圖來判斷性的序列一定是非平穩(wěn)序列，如圖2-1中的序列就是

圖2-2非平穩(wěn)序列自相關(guān)圖

圖2-1非平穩(wěn)序列時(shí)序圖序圖中不好判斷序列是否平穩(wěn)，那么可以通過繪制自相關(guān)圖的形狀一般是拖尾或者截尾的（拖尾即不斷衰減但不為），而非平穩(wěn)序列的自相關(guān)圖一般呈現(xiàn)三角對稱的形式，如

圖2-3循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2-3循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖究發(fā)現(xiàn)[57]，由于循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層只有一個(gè)狀態(tài)，故其具備的記憶周能對短期的上下文信息進(jìn)行記憶，當(dāng)面對較長序列的信息時(shí)，隨學(xué)習(xí)量增增長會出現(xiàn)梯度消失或爆炸的現(xiàn)象�？朔@一問題，Hochreiter等[58]于1997年提出長短期記憶網(wǎng)絡(luò)（L....

本文編號：3923164