基于 LSTM、GRU 和 BiLSTM 的航班阶段分类：来自 ASN 数据集的案例研究
机器学习
2025-01-23 v1
摘要
航空行业中安全性是首要关注议题，即使是微小的运行问题也可能导致严重后果。本研究利用自然语言处理（NLP）和先进的人工智能模型，对航班阶段进行分类，以从非结构化的航空事故分析叙述中进行分析。研究旨在确定航班阶段是否可以通过NLP技术从事故事件叙述中推断出来。本文评估了各种深度学习模型的分类性能。对于单一的 RNN 模型，LSTM 达到63%的准确率、60%的精确率和61%的召回率。BiLSTM 记录了64%的准确率、63%的精确率和64%的召回率。GRU 在准确率和召回率上各达60%，精确率为63%。联合 RNN 模型进一步提升了预测能力。GRU-LSTM、LSTM-BiLSTM 和 GRU-BiLSTM 分别展示了62%、67% 和60%的准确率，凸显了组合这些架构的优势。为全面概述模型性能，比较了单模型和组合模型在各种指标上的表现。这些结果凸显了模型从原始文本叙述中对航班阶段进行分类的能力，为航空行业利益相关方提供了用于主动决策的宝贵见解。因此，本研究标志着 NLP 和深度学习模型应用于航空安全方面的重大进展。
引用
@article{arxiv.2501.07925,
title = {Phase of Flight Classification in Aviation Safety using LSTM, GRU, and BiLSTM: A Case Study with ASN Dataset},
author = {Aziida Nanyonga and Hassan Wasswa and Graham Wild},
journal= {arXiv preprint arXiv:2501.07925},
year = {2025}
}
备注
Aviation Safety, Deep learning algorithms, Flight phase, NLP, ASN, and Classification