基于深度学习方法的航空 operational records 分类
机器学习
2025-02-18 v2
摘要
确保航空行业的安全性至关重要，即使是细微的异常现象也可能导致严重后果。本研究评估了四种不同深度学习模型（包括双向长短期记忆网络 (BLSTM)、卷积神经网络 (CNN)、长短期记忆网络 (LSTM) 和简单循环神经网络 (sRNN)）在涉及商业、军用和私人类别的多类别分类任务中的性能，该任务基于来自 Socrata 航空数据集的 4,864 条记录进行。对模型进行了分类报告、混淆矩阵分析、准确率指标、验证损失和准确率曲线的评估。其中，BLSTM 实现了最高的总体准确率为 72%，在稳定性和平衡分类方面表现优异，而 LSTM 紧随其后，以 71% 的准确率在商业类别的召回率方面表现突出。CNN 和 sRNN 的准确率分别为 67% 和 69%，在私人类别中存在显著的误分类。尽管结果凸显了 BLSTM 和 LSTM 在处理序列依赖关系和复杂分类任务方面的优势，但所有模型在处理类别不平衡问题方面都面临挑战，尤其是在预测军用和私人类别时。通过数据增强、先进的特征工程和集成学习技术可能提高分类准确率和鲁棒性。本研究强调了为特定领域的任务选择合适模型架构的重要性。
引用
@article{arxiv.2501.01222,
title = {Classification of Operational Records in Aviation Using Deep Learning Approaches},
author = {Aziida Nanyonga and Graham Wild},
journal= {arXiv preprint arXiv:2501.01222},
year = {2025}
}
备注
conference paper; aviation safety, NLP, DL, operational record classification, Socrata