arXiv cs.AI· Taha Asghar, Bilal Mufti, Syed Qasim Zaheer, Luqman Ahmed·· 11 小时前AI 评分20
混合机器学习预测航班着陆阶段不平衡安全事件
Hybrid Machine Learning for Imbalanced Landing-Phase Safety Event Prediction from Flight Data
AI 导读
研究提出一种可解释的混合特征融合框架，用 LSTM 自编码器刻画正常进近窗口的偏离程度，并将重建误差描述符与参数级统计飞行历史特征融合，输入类别加权 XGBoost 分类器区分 Normal、Speed High、Path High 和 Flaps Late 四类窗口。
正文 · AI 翻译
摘要：着陆阶段安全事件预测需要在高度不平衡的多变量飞行数据中检测罕见的异常进近。在区分不同机场运行情境下的事件特定特征的同时，捕捉耦合的时间行为仍然是一个核心建模挑战。本研究提出了一种可解释的混合特征融合框架，用于多类别着陆阶段安全事件预测。在正常飞行窗口上训练的长短期记忆（LSTM）自编码器用于刻画对常规进近行为的偏离。其连续重构误差描述符与参数特定的统计飞行历史特征相融合，并输入到类别加权的 XGBoost 分类器中，以区分正常、速度偏高、路径偏高和襟翼过晚窗口。该框架使用来自三个到达机场的 53,750 个 NASA DASHlink 进近窗口进行评估。比较了池化与机场特定学习策略，并进行了组件级基准测试、重复流水线重训练和特征归因分析。结果表明类别平衡检测能力较强，在重复划分和重训练下，所有机场的平均宏召回率均高于 0.90。组件比较确立了类别加权的重要性，并表明连续特征融合优于仅使用重构误差和硬门控替代方案。机场级比较揭示了在数据集较大的两个机场采用局部专门化的益处，以及在数据集最小的机场采用池化训练的益处。特征归因将预测与运行相关的垂直路径、构型、速度和进近情境变量相关联。该框架为罕见事件检测提供了一种可解释的方法，并为使飞行数据监测模型适应机场级数据可用性提供了实践指导。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.08386 [cs.LG] |
| （或 arXiv:2611.08386v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08386 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bilal Mufti [查看电子邮件]
[v1]
2026年11月5日星期四 18:04:26 UTC（484 KB）
来源：arXiv cs.AI · arxiv.org