2023.02ELECTRONICSQUALITY基于B-ELM的通航事故预测常健（中国电子科技集团公司第二十八研究所，江苏南京210000）摘要：高水平的航空安全始终是航空业追求的目标。为了满足未来通航业风险分析和优化的需求，基于美国国家运输安全委员会（NTSB）航空事故数据库近11年的数据，建立了基于极限学习机的小样本事故数据预测模型，并通过实验对比了普通增量式极限学习机模型及传统的小样本数据预测GM（1，1）模型。实验结果证明提出的分析方法和模型在通航业小样本数据集的输入情况下有较高的准确率，能够为行业安全发展起到一定的指导意义。关键词：通航事故分析；航空事故预测；小样本预测；时间窗序列预测；极限学习机；双向增量极限学习机中国分类号：X949文献标识码：A文章编号：1003-0107（2023）02-0009-05doi:10.3969/j.issn.1003-0107.2023.02.003GeneralAviationAccidentPredictionBasedonB-ELMCHANGJian（The28thResearchInstituteofChinaElectronicsTechnologyCorporation，Nanjing210000，China）Abstract：Highlevelofaviationsafetyisalwaysthegoaloftheaviationindustry.Inordertomeettheneedsofriskanalysisandsafetyoptimizationofthegeneralaviationindustryinthefuture，basedonthedataoftheNTSBaviationaccidentdatabaseinthepast11years，asmallsampleaccidentdatapredictionmodelbasedonextremelearningmachine（ELM）isproposed，andtheordinaryincrementalextremelearningmachinemodelandtraditionalsmallsampledatapredictionmodelGM（1，1）arecomparedthroughexperiments.Theexperimentalresultsshowthattheanalysismethodandmodelproposedcanhaveahighaccuracyrateundertheinputofasmallsampledatasetofthegeneralaviationindustry，andcanhaveafewpositiveinfluencesforthesafedevelopmentoftheindustry.Keywords：generalaviationaccidentanalysis；aviationaccidentprediction；smallsampleprediction；timewindowseriesprediction；extremelearningmachine；bidirectionalincrementallimitlearningmachine收稿日期：2022-11-22作者简介：常健（1994—），男，四川成都人，中国电子科技集团公司第二十八研究所助理工程师，硕士，从事空中交通运输数据分析工作。0引言提前了解未来可能发生的不同种类不同严重程度的事故事件数量，对于行业安全生产资源投入及分配具有一定的意义。本文研究过程中发现研究人员主要倾向于应用...
