随着民航业的快速发展,民航飞行安全越来越受到重视。其中冲出跑道是飞机着陆阶段最典型的安全事故之一,其预警研究对民航安全具有重要意义。快速存取记录器（Quick Access Recorder,QAR）作为一种机载设备,记录了客机飞行过程中的详细数据,近年来被广泛用于开展飞行安全相关研究。然而现有冲出跑道预警研究往往高度依赖飞行专家的先验知识,聚焦于回顾性分析,预测准确性不高,难以应用于民航实时飞行过程中。针对以上问题,本文分别提出面向飞机着陆速度和着陆距离的前瞻性预测方法,实现冲出跑道预警。本文主要内容如下:针对QAR数据参数繁多、完整性无法保证、时空依赖关系复杂等问题,对数据进行清洗、变换、特征选择等预处理。着陆速度是冲出跑道安全事件预警的主要指标之一,针对速度过大造成的客机冲出跑道问题,本文基于QAR数据和深度序列方法提出飞机着陆速度序列预测模型GLC（GBDT LSTM codec）。GLC利用GBDT筛选对着陆速度重要的特征,通过树节点分裂信息增益计算特征全局重要度,将筛选的特征标准化后导入深层LSTM编解码序列模型,编码器读取输入序列并将其编码为固定长度向量,解码器解码向量并输出预测序列。在GLC模型的基础上,本文进一步提出融合多层时空编解码器和TG-Attention的飞机着陆距离预测模型LSTRO（Layered Sequence Spatio-Temporal for Runway Overrun）。LSTRO利用CNN-LSTM感知特征之间的时空依赖关系,利用TG-Attention聚焦飞行员的操作和飞行趋势,同时构建分层编解码器集成信息再反馈,从而大大提高预测性能。本文提出的模型在A321机型数据集上进行实验评估,通过剥离实验和对比实验,验证了模型的优越性和有效性。本文创新点总结如下:（1）针对QAR参数过多及特征选择过度依赖飞行专家的问题,利用集成学习方法GDBT筛选重要特征,实现特征初步自动筛选以及降低QAR参数过多带来的噪声干扰;（2）针对现有研究方法聚焦于QAR时序特征,而对同时刻不同区域空间信息不敏感的问题,本文融合CNN和LSTM,在提取空间局部特征的同时尽量保留QAR数据的时序关系,同时创新性地提出分层编解码器,上层编解码器对下层编解码器信息集成后再反馈,以此提高最终预测序列精度;（3）提出一种融合改进自注意力机制和全局注意力机制的时序注意力模块TG-Attention,该模块通过两种注意力机制的有机融合,可捕获飞行员每时刻的飞机操作及整体飞行趋势对未来预测序列的影响。