利用深度时序多重实例学习解释航空安全事件
计算机视觉与模式识别
2018-02-13 v2 人工智能
应用统计
机器学习
摘要
尽管航空事故罕见，但安全事件发生更为频繁，需要仔细分析以及时检测和缓解风险。利用运行数据分析安全事件并产生基于事件的解释，对航空公司以及美国联邦航空管理局（FAA）等管理机构具有重要价值。然而，这项任务具有挑战性，原因在于挖掘多维异构时间序列数据的复杂性、航班中事件缺乏逐时间步标注，以及缺乏可在大量事件上进行可扩展分析的工具。在本工作中，我们提出了一种前兆挖掘算法，用于识别与安全事件相关的多维时间序列中的事件。前兆对系统健康和安全监测以及解释和预测安全事件具有重要价值。现有方法在高维时间序列数据上可扩展性差，在捕捉时序行为方面效率低下。我们提出了一种结合多重实例学习（MIL）和深度循环神经网络（DRNN）的方法，利用 MIL 利用弱监督数据学习的能力和 DRNN 建模时序行为的能力。我们描述了该算法、数据、采用 MIL 方法的直觉，以及与基线模型的对比分析。我们还讨论了该方法在来自一家商业航空公司数据的真实航空安全问题上的应用，并讨论了模型的能力与不足，最后给出了可能的部署方向。
引用
@article{arxiv.1710.04749,
title = {Explaining Aviation Safety Incidents Using Deep Temporal Multiple Instance Learning},
author = {Vijay Manikandan Janakiraman},
journal= {arXiv preprint arXiv:1710.04749},
year = {2018}
}