基于ARIMA、LS-SVM和BP神经网络组合模型的航空运输飞行事故征候预测
本文的主要内容是基于ARIMA、LS-SVM和BP神经网络组合模型来预测航空运输飞行事故征候。该模型首先使用ARIMA模型来预测飞行事故征候的线性部分，然后使用LS-SVM和BP神经网络模型来预测飞行事故征候的非线性部分。将这三个模型组合起来，使用DS证据理论来实现模型的融合，获得ARIMA+LS-SVM+BPNN组合模型。
组合模型的优点在于可以同时捕捉飞行事故征候的线性和非线性特征，从而提高预测精度。实验结果表明，组合模型可以较好地拟合飞行事故征候的历史序列，并获得了较高的预测精度。
该研究可以为航空公司的安全与运营趋势分析和判决提供数据依据，也可以为航空公司制定针对性的飞行事故征候防控方案提供帮助。
知识点：
1. ARIMA模型： ARIMA模型是一种常用的时间序列预测模型，能够捕捉时间序列的线性特征。
2. LS-SVM模型： LS-SVM模型是一种支持向量机模型，能够捕捉时间序列的非线性特征。
3. BP神经网络模型： BP神经网络模型是一种常用的机器学习模型，能够捕捉时间序列的非线性特征。
4. DS证据理论： DS证据理论是一种模型融合方法，能够将多个模型组合起来，提高预测精度。
5. 飞行事故征候预测： 飞行事故征候预测是航空公司安全与运营的关键问题，本文基于ARIMA、LS-SVM和BP神经网络组合模型来预测飞行事故征候，提高预测精度。
6. 数据建模： 数据建模是指根据问题的需求，选择合适的模型和算法，来处理和分析数据。在本文中，我们使用ARIMA、LS-SVM和BP神经网络模型来建模飞行事故征候数据。
7. 机器学习： 机器学习是一种人工智能技术，能够使机器自动地学习和改进。 在本文中，我们使用BP神经网络模型来实现机器学习。
8. 深度学习： 深度学习是一种机器学习技术，能够使机器自动地学习和改进。在本文中，我们使用BP神经网络模型来实现深度学习。
9. 专业指导： 专业指导是指根据问题的需求，选择合适的模型和算法，来指导数据分析和决策。在本文中，我们使用基于ARIMA、LS-SVM和BP神经网络组合模型的航空运输飞行事故征候预测来指导航空公司的安全与运营趋势分析和判决。
VIP享7折，此内容立减5.97元 
