基于特征等价性的到达跑道占用时间预测模型泛化
机器学习
2022-01-28 v1 人工智能
摘要
针对多机场的通用实时跑道占用时间预测建模目前仍是研究空白。本文尝试通过将类别特征替换为其数值等价物，泛化一种用于到达跑道占用时间（AROT）的实时预测模型。本工作使用了从美国三个机场的 Saab Sensis Aerobahn 系统收集的三天数据。采用三种基于树的机器学习算法：决策树、随机森林与梯度提升，以数值等价特征评估模型的泛化能力。我们表明，用数值等价特征训练的模型不仅性能至少与用类别特征训练的模型相当，还能对来自其他机场的未见过数据进行预测。
引用
@article{arxiv.2201.11654,
title = {Model Generalization in Arrival Runway Occupancy Time Prediction by Feature Equivalences},
author = {An-Dan Nguyen and Duc-Thinh Pham and Nimrod Lilith and Sameer Alam},
journal= {arXiv preprint arXiv:2201.11654},
year = {2022}
}
备注
ICRAT 2020 Technical Papers & Presentations