一种用于飞行连续下降操作分类的模糊增强可解释人工智能框架
机器学习
2025-08-21 v1
摘要
连续下降操作（CDO）涉及平滑、怠速推力的下降过程，避免平飞，从而减少燃油消耗、排放和噪声，同时提高效率和乘客舒适度。尽管具有运行和环境效益，但有限的研究系统地考察了影响 CDO 性能的因素。此外，相关领域（如轨迹优化）中的许多现有方法缺乏航空领域所需的透明度，而可解释性对安全和利益相关者信任至关重要。本研究通过提出一种模糊增强可解释人工智能（FEXAI）框架来弥补这些差距，该框架将模糊逻辑与机器学习和 SHapley Additive exPlanations（SHAP）分析相结合。为此，我们从 1,094 次航班中收集了包含 29 个特征的全面数据集，其中包括 11 个运行相关特征和 18 个天气相关特征，使用自动相关监视广播（ADS-B）数据。随后应用机器学习模型和 SHAP 对航班的 CDO 遵循程度进行分类并按重要性对特征进行排序。由 SHAP 分数识别出的三个最具影响力的特征随后被用于构建模糊规则分类器，从而实现可解释模糊规则的提取。所有模型的分类准确率均超过 90%，FEXAI 为运行用户提供了有意义且人类可读的规则。结果表明，航路内的平均下降率、下降段的数量以及下降过程中方向航向的平均变化是 CDO 性能的最强预测因子。本研究提出的 FEXAI 方法为运行决策支持提供了一种新途径，并可集成到航空工具中，以在变化的运行条件下保持 CDO 遵循的实时建议。
引用
@article{arxiv.2508.14618,
title = {A Fuzzy-Enhanced Explainable AI Framework for Flight Continuous Descent Operations Classification},
author = {Amin Noroozi and Sandaruwan K. Sethunge and Elham Norouzi and Phat T. Phan and Kavinda U. Waduge and Md. Arafatur Rahman},
journal= {arXiv preprint arXiv:2508.14618},
year = {2025}
}