A LSTM and Cost-Sensitive Learning-Based Real-Time Warning for Civil Aviation Over-limit

要約

タイトル：民間航空におけるリアルタイムのLSTMとコスト感度学習に基づく警告システム

要約：
– 乗客機の飛行中のリミットオーバーは、その潜在的な安全上のリスクから、民間航空でますます注目されている。
– この問題に対処するために、リアルタイムの自動警告システムが必要である。
– 本研究では、QARデータモニタリングに基づく民間航空リミットオーバーのリアルタイム警告モデルを提案している。
– まず、リミットオーバーに強く相関する属性を、スピアマンの順位相関係数を用いて広範なQARデータセットから抽出する。
– モデルは、サンプルのバランスが悪いバイナリ分類問題を提起するため、コスト感度学習をLSTMモデルに組み込む。
– 最後に、グリッドサーチ手法を用いて、LSTMモデルの時間ステップ長、LSTMセルの数、および学習率を最適化する。
– モデルは実際のデータセットでトレーニングされ、その性能は検証セットで評価される。
– 実験結果は、提案されたモデルがF1スコア0.991、正解率0.978を達成していることを示し、民間航空のリミットオーバーのリアルタイム警告に効果的であることを示している。

要約(オリジナル)

The issue of over-limit during passenger aircraft flights has drawn increasing attention in civil aviation due to its potential safety risks. To address this issue, real-time automated warning systems are essential. In this study, a real-time warning model for civil aviation over-limit is proposed based on QAR data monitoring. Firstly, highly correlated attributes to over-limit are extracted from a vast QAR dataset using the Spearman rank correlation coefficient. Because flight over-limit poses a binary classification problem with unbalanced samples, this paper incorporates cost-sensitive learning in the LSTM model. Finally, the time step length, number of LSTM cells, and learning rate in the LSTM model are optimized using a grid search approach. The model is trained on a real dataset, and its performance is evaluated on a validation set. The experimental results show that the proposed model achieves an F1 score of 0.991 and an accuracy of 0.978, indicating its effectiveness in real-time warning of civil aviation over-limit.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI