用于预测航空安全事件前兆的多类多示例学习
机器学习
2021-03-11 v1 机器学习
摘要
近年来，利用从商业航空运营中收集的航空数据来提升安全性的机器学习技术应用迅速增长。异常检测与预测性维护一直是机器学习应用的主要目标。然而，本文关注于前兆识别，这是一个相对较新的应用。前兆是指在不良事件本身发生之前与之相关的事件。因此，前兆挖掘具有诸多益处，包括理解安全事件背后的原因，以及识别可在整个飞行中追踪以警示操作员未来可能发生不良事件的信号特征。本工作提出使用多示例学习（MIL）框架（一种弱监督学习任务），结合基于多头部卷积神经网络-循环神经网络（MHCNN-RNN）架构精心设计的二分类器。随后创建并比较多类分类器，通过组合二分类器以及修改 MHCNN-RNN 以处理多输出，从而能够对任意给定航班的不同不良事件进行预测。结果表明，多个二分类器表现更优，能够准确预测进近阶段的高速与高航迹角事件。多个二分类器还能够确定与这些事件相关的飞机参数。所识别的参数可被视为事件的前兆，并可被进一步研究/追踪以防止未来发生这些事件。
引用
@article{arxiv.2103.06244,
title = {Multi-Class Multiple Instance Learning for Predicting Precursors to Aviation Safety Events},
author = {Marc-Henri Bleu-Laine and Tejas G. Puranik and Dimitri N. Mavris and Bryan Matthews},
journal= {arXiv preprint arXiv:2103.06244},
year = {2021}
}
备注
29 pages, 15 figures, 9 tables