通过研究民航不安全事件的预测,发现目前绝大多数的预测都是基于不安全事件的历史数据,建立数学模型来预测未来的不安全事件数据。航空公司不安全事件受很多因素的影响,并且影响因素也在不断变化,本文尝试从分析影响因素入手对不安全事件进行预测。首先分析了航空公司不安全事件的影响因素,进而对航空公司不安全事件的影响因素进行了主成份分析,求得相应影响航空公司不安全事件的五个主要的因素为:资源管理,机组资源管理,技能差错,监督不充分,运行计划不适当。将这五个主要影响因素作为航空公司不安全事件预测模型的输入样本。将航空公司不安全事件分为事故、事故征候、严重差错和一般差错,作为预测模型的输出样本。文中采用了自适应的学习速率和附加动量法改进了BP神经网络,克服了其在学习训练过程中收敛速度慢,容易陷入局部极小值的不足。以某航空公司提供的相关数据为实例样本,采用三层BP神经网络,输入层有5个神经元、输出层有4个神经元,将其中1月—9月的数据作为训练样本,以10月,11月的数据作为检验样本,发现模型误差较小,证明了该模型用于航空公司不安全事件预测的可行性,具有很好的应用价值。输入1—11月的输入层数据和输出层数据,调用模型建立时的各个参数,进行仿真预测,输入12月的影响因素数据,可以预测到12月的不安全事件数。结果显示12月的不安全事件数比11月的增加了,则警示工作人员找不安全事件增加的原因,进而针对具体的原因提出相应的预防措施,以此达到减少不安全事件的目的。