使用神经网络的多标签分类解决冲突的飞机航向变化
机器学习
2022-12-27 v2
摘要
当两架或多架飞机在同一时间以一定距离交叉时，就会发生飞机冲突。特定的空中交通管制员被指派来解决此类冲突。管制员需要考虑各种类型的信息以解决冲突。最常见和最初步的信息是相关飞机的坐标位置。此外，管制员还必须考虑更多信息，如飞行计划、天气、受限空域等。管制员面临的最重要挑战是：在极短的时间内思考相关问题并做出决策。由于飞机数量增加，减轻管制员的工作负荷并帮助他们做出快速决策至关重要。解决冲突的方法有多种，因此，我们将此问题视为一个多标签分类问题。为此，我们提出一个多标签分类模型，为给定的冲突提供多个航向建议。我们命名为 CRMLnet 的该模型基于多层神经网络的新颖应用，可辅助管制员进行决策。与其他机器学习模型相比，我们的 CRMLnet 取得了最佳结果，准确率为 98.72%，ROC 为 0.999。我们开发并用于实验的模拟数据集将提供给研究界。
引用
@article{arxiv.2109.04767,
title = {Multi-label Classification of Aircraft Heading Changes Using Neural Network to Resolve Conflicts},
author = {Md Siddiqur Rahman and Laurent Lapasset and Josiane Mothe},
journal= {arXiv preprint arXiv:2109.04767},
year = {2022}
}
备注
This paper has been withdraw by the Authors due to some crucial errors and measurements