飛航安全為航空業者首要重視的議題，而提升飛航安全最具體的作為便是降低未來飛安事件發生次數，達到「事前預防勝於事後補救」之效。本研究應用多元複迴歸分析、倒傳遞類神經網路、支援向量機等資料探勘技術，在不同事件主題下，預測未來可能之各事件主題頻率值，以期達到預警之效，更進ㄧ歩建立飛安維護之循環體系。本研究主要分為兩階段，第一階段在於找出與各事件主題相關之指標，再將這些相關指標於第二階段裡建置各事件主題的預測模式。由於本研究採用三種資料探勘預測技術，因此將進一步比較不同技術之表現優劣，並以統計方法評估預測技術的適配性，證實不同分析技術的預測能力確實具有差異。在預測資料的建構上，採用資料群組化的方式，以提高模式之解釋能力，本文亦證實採用資料群組化的預測模式確實有較好的解釋能力，準確率亦明顯提升。
    透過方法的比較，我們認為在不同的飛安事件風險預測中，倒傳遞類神經網路及支援向量機二種技術將能產生較適當的飛安預測模式，本研究重視整體的飛安考量，強調的是航空業者的飛安控管能力，因此，除模式的預測能力外，模式應用層面與後續的查核維護，亦將加以說明。

This research details the development of civil aviation risk analyze models.  We define the aviation risk as the frequency of aviation events.  Based on the FSMIS (Flight Standard Management Information System) database developed by CAA (Civil Aviation Administration), three prediction data mining techniques, multiple regression analysis, back propagation neural network, and support vector machine, are used to create prediction models for different type of aviation events.  
The FSMIS database contains the information of air operators’ safety performance in various inspection items.  Using the information, the relationship between events and operation performance is analyzed and the event prediction models are created.  According to our study results, it appears that a data smoothing strategy is very effective at enhancing the predictive accuracy of the models.  The methodological comparison suggests that back propagation neural network and support vector machine offer a more promising technology in prediction aviation risk.

目錄
第一章	緒論	         1
1.1	研究背景與動機	1
1.2	研究目的   	4
1.3	論文架構  	6
1.4	研究範圍  	8
第二章	文獻探討  	9
2.1	資料探勘  	9
2.2	飛安風險分析	11
2.3	相關預測技術	13
2.3.1	類神經網路	13
2.3.2	支援向量機	17
第三章	飛安資料架構	24
3.1	飛航安全事件紀錄	24
3.2	飛航安全績效指標	28
3.3	重要性績效指標分析	33
3.4	預測資料之建構	39
第四章	預測模式  	41
4.1	模式架構  	41
4.2	多元複迴歸分析	45
4.3	類神經網路	48
4.4	支援向量機	53
4.5	模式比較與驗證	56
4.6	模式應用  	62
第五章	結論與未來研究方向	65
參考文獻            	67
附錄一  敏感度分析	         71
附錄二  單月MSE值列表	72
附錄三  三月平均之MSE值列表	73
附錄四  單月R2值列表	74
圖目錄
圖 1 1  研究架構圖	7
圖 2 1  類神經網路示意圖	13
圖 2 2  最佳區分超平面	18
圖 2 3  映射函數	21
圖 3 1  單月之相關性分析架構	34
圖 3 2  三月平均之相關性分析架構	34
圖 4 1  單月預測之模式架構圖	43
圖 4 2  三月平均預測之模式架構圖	44
圖 4 3  模式應用示意圖(一)	63
圖 4 4  模式應用示意圖(二)	63
圖 4 5  模式應用示意圖(三)	64
表目錄
表 3 1  飛安績效指標列表	36
表 3 2  單月模式之 值整理	38
表 3 3  三月平均模式之 值整理	38
表 3 4  單月預測資料表格式	39
表 3 5  三月平均預測資料表格式	40
表 4 1  迴歸分析單月預測之 值整理	46
表 4 2  迴歸分析三月平均之 值整理	47
表 4 3  敏感度分析結果整理	50
表 4 4  BPN網路參數設定	52
表 4 5  單月預測之SVM參數設定整理	54
表 4 6  三月平均預測之SVM參數設定整理	55
表 4 7  單月預測之模式評比結果	58
表 4 8  三月平均預測之模式評比結果	61
表 4 9  三月平均之預測模式 值整理	61

參考文獻
中文部分
[1]	交通部民用航空局，「航務檢查員手冊」，2002
[2]	交通部民用航空局，「適航檢查員手冊」，2002
[3]	交通部民用航空局，「客艙安全檢查員手冊」，2003
[4]	交通部民用航空局，「建立航空公司飛航安全評鑑制度之研究」，2002
[5]	交通部民用航空局，「飛安風險分析系統與評估模式建立之研究」，2004
[6]	交通部民用航空局，「航空公司航務適航風險管理支援決策系統之研究」，2005
[7]	交通部民用航空局，「航空器飛航安全相關事件處理規則」，http://www.caa.gov.tw/big5/content/index01.asp?sno=928，2005
[8]	林冠中，「漸進式支持向量機與人臉辨識之應用」，國立成功大學資訊工程學系碩士論文，2005
[9]	葉怡成，「類神經網路模式應用與實作」，儒林圖書，2002
[10]	劉易昌，「支援向量機於財務預測上之應用」，私立靜宜大學資訊管理所碩士論文，2004

英文部分
[11]	Apolloni, B. et al., “Diagnosis of epilepsy via back propagation, ” IJCNN-90-Wash.,1990, II, 571-574
[12]	Chang, C. C. and Lin, C. J., “LIBSVM: a library for support vector machines, ” available: http://www.csie.ntu.edu.tw/~cjlin/libsvm
[13]	Chen, M.-S., Han, J. and Yu, P. S., “Data mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, 1996, Vol.8, No.6
[14]	Frankel, D. et al., “Use of neural networks to predict lighting at kennedy space center,” IJCNN-91, 1991, I, 319-324.
[15]	Han, J. and Kamber, M. “Data mining: Concepts and Techniques,” Academic Press, 2001
[16]	Hornik, K., Stinchcombe, M. and White, H., “Multilayer Feedforward Networks Are Universal Approximations,” Neural Networks, 1989, 2, pp.336-359
[17]	ICAO, “Safety Oversight Audit Manual,” 2000
[18]	Jacobs, R. A., “Increased rates of convergence through learning rate adaptation, ” Neural Networks, 1988, 1, pp.295-307
[19]	Janic, M. , “An assessment of risk and safety in civil aviation,” Journal of Air Transport Management, 2000, Vol.6, pp.43-50
[20]	Joachims, T., “Text categorization with support vector machines, ” In Proceedings of European Conference on Machine Learning (ECML), 1998.
[21]	Kimoto, T., and Asakawa, K., “Stock market predication system with modular networks,” IJCNN-90-Wash., 1990, I, 1-6
[22]	Lee, K.M., “Identification of Shift in Correlated Manufacturing Process By Using Neural Network,” Institute of Applied Statistics Fu-Jen Catholic University Thesis of Master, 2000
[23]	Luxøj, J. T., Williams, T. P. and Shyur, H.-J., “Comparison of regression and neural network models for prediction of inspection profiles for aging aircraft,” IIE Transactions, 1997, 29, pp.91-101
[24]	McFadden ,K. L., “Predicting pilot-error incidents of US airline pilots using logistic regression,” Applied Ergonomics, 1997, 28(3), pp.209-212
[25]	Pontil, M. and Verri, A., “Object recognition with support vector machines,” IEEE Trans. On PAMI, 1998, 20, pp.637-646,
[26]	Rao,X., Dong ,C.-X. and Yang, S.-Q., “An intrusion detection system based on support vector machine,” Journal of Software, 2003, Vol.14, NO.4, pp.798-803
[27]	Refenes, A.P., “Neural Networks in the Capital Markets,” John Wiley & Sons, New York, 1995
[28]	Rumelhart, D.E., Hinton, G.E. and Williams, R.J., “Learning internal representation by error propagation in Parallel Distributed Processing,” Rumelhart and J.L. McClelland (Eds.), M.I.T. Press, Cambridge, MA., 1986, Vol.1, pp.318-362
[29]	Shyur, H.-J., Luxøj, J. T. and Williams, T. P., “Using neural networks to predict component inspection requirements for aging aircraft,” Computers and Industrial Engineering, 1996, 30(2), pp.257-267
[30]	Smola, A. J., “Learning with Kernels,” PhD Thesis, GMD, Biringhoven, 1998
[31]	Trippi, R.R. and Turban, E. (eds.), “Neural Networks in Finance and Investing,” Illinois Probus Pub, Chicago, 1995
[32]	Vapnik, V. N., “The nature of statistical learning theory.,” Springer-Verlag, New York , 1995