مقاله حاضر، مدل جدیدی جهت بهینه‌سازی ریسک ایمنی تیک‌آف به عنوان مهم‌ترین و خطرناکترین فرایند پرواز، با استفاده از ترکیب الگوریتم BI‌ و شبکه عصبی بازگشتی LSTM ارایه می‌دهد. هدف، آموزش یک شبکه عصبی موثر با رکوردهای داده‌ سوانح هوایی گذشته برای پیش‌بینی پارامترهای ریسک ایمنی است. بدین منظور ۱۷ ویژگی ایمنی، مانند شرایط آب و هوایی، پیکربندی و آماده‌سازی هواپیما، اطلاعات پرواز و ترافیک هوایی بدست آمد. داده مربوطه از سال ۲۰۱۹ تا ۲۰۲۰ پس از انجام عملیات اکتشاف، خلاصه‌سازی، پاکسازی، نرمال‌سازی به تعداد ۲۸۸۱۳ رکورد داده انتخاب شد. به علت وابستگی داده‌های پرواز به ورودی‌های ما قبل خود و نیاز به نوعی حافظه، آموزش توسط الگوریتم یادگیری عمیق (LSTM) در محیط پایتون انجام گرفت. پس از یادگیری، خطای یادگیری حدود ۶ درصد و میانگین مربعات خطا حدود۱۱۶/۰ بدست آمد. نشان می‌دهد، درصد خطا غیر قابل توجه و مدل پیشنهادی از اعتبار بالایی برخوردار است. هم‌چنین این مدل به دلیل برخورداری از ابزارهای پیشرفته از جمله ETL، متادیتا و مانیتوریگ لحظه‌ای مشکل اکتشاف و پاکسازی انبوه داده‌های پرواز را حل کرد و توانست مهم‌ترین عامل ریسک ایمنی (سرعت V1 ) را با دقت بالا پیش‌بینی‌ کند. این الگو با راهبردی قابل اعتماد به خدمه پرواز در راستای کنترل پارامترهای مهم ریسک ایمنی از جمله، سرعت بلند شدن هواپیما از باند، کنترل سرعت ایمن تیک‌آف و مهم‌تر از همه کنترل از دست رفتن پرواز کمک می‌کند. Manuscript profile