用于更安全的飞机着陆的决策支持系统：使用XGBoost和可解释AI预测跑道状况
计算机与社会
2022-09-30 v2 机器学习
应用统计
摘要
跑道表面的积雪和结冰降低了用于减速和转向控制所需的轮胎-路面摩擦力，并在冬季对航空业造成潜在的经济和安全威胁。为启动适当的安全程序，飞行员需要关于实际跑道表面状况的准确且及时的信息。在本研究中，使用XGBoost创建一个组合的跑道评估系统，包括一个用于识别湿滑状况的分类模型和一个用于预测湿滑程度的回归模型。模型在天气数据和跑道报告上训练。跑道表面状况由轮胎-路面摩擦系数表示，该系数根据着陆飞机的飞行传感器数据估计。XGBoost模型与SHAP近似相结合，为机场运营者提供可靠的决策支持系统，有助于跑道更安全且更经济的运营。为评估预测模型的性能，将其与几种最先进的跑道评估方法比较。XGBoost模型以0.95的ROC AUC识别湿滑跑道状况，以0.0254的MAE预测摩擦系数，并优于所有先前方法。结果显示了机器学习方法以良好精度建模复杂物理现象的强劲能力。出版版本：https://doi.org/10.1016/j.coldregions.2022.103556。
引用
@article{arxiv.2107.04010,
title = {A Decision Support System for Safer Airplane Landings: Predicting Runway Conditions Using XGBoost and Explainable AI},
author = {Alise Danielle Midtfjord and Riccardo De Bin and Arne Bang Huseby},
journal= {arXiv preprint arXiv:2107.04010},
year = {2022}
}