Los accidentes de aviación general tienen interacciones e influencias complejas que no pueden ser explicadas ni predichas de manera simple por modelos lineales. Este estudio se basa en la teoría del caos y utiliza datos de accidentes de aviación general para investigar diferentes escalas de tiempo. Primero, se construyen series temporales excluyendo patrones estacionales de las estadísticas de accidentes de aviación general. En segundo lugar, se determinan las propiedades caóticas de las series de múltiples escalas de tiempo mediante la prueba 0-1 y el exponente de Lyapunov. Finalmente, al introducir el algoritmo de búsqueda de gorriones y el mapeo caótico de tienda, se propone un modelo de predicción CSSA-LSSVM. Se seleccionan los datos de accidentes de la Junta Nacional de Seguridad en el Transporte (NTSB) de los Estados Unidos en los últimos 15 años para el análisis de casos. Los resultados muestran que el diagrama de fase de la prueba 0-1 presenta características de movimiento browniano, y los máximos exponentes de Lyapunov de las tres escalas son todos positivos, lo que prueba las características caóticas de las series de múltiples escalas de tiempo. Los resultados de las pruebas del modelo de predicción CSSA-LSSVM ilustran su superioridad en la predicción de series temporales, y cuando la escala de tiempo disminuye, el error de predicción se reduce gradualmente mientras que el efecto de ajuste se fortalece y luego disminuye. Este estudio revela las características caóticas no lineales de los accidentes de aviación general y demuestra la importancia de la investigación de múltiples escalas de tiempo en el análisis y la predicción de series temporales.