論文の概要: A Machine Learning Approach to Safer Airplane Landings: Predicting Runway Conditions using Weather and Flight Data

• arxiv url: http://arxiv.org/abs/2107.04010v1
• Date: Thu, 1 Jul 2021 11:01:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-11 11:35:08.193782
• Title: A Machine Learning Approach to Safer Airplane Landings: Predicting Runway Conditions using Weather and Flight Data
• Title（参考訳）: 航空機着陸防止のための機械学習アプローチ:気象・飛行データを用いた滑走路条件予測
• Authors: Alise Danielle Midtfjord, Riccardo De Bin and Arne Bang Huseby
• Abstract要約: 滑走路面の雪と氷は、遅延や方向制御に必要なタイヤ舗装の摩擦を減少させる。 XGBoostは、複合滑走路アセスメントシステムを作成するために使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The presence of snow and ice on runway surfaces reduces the available tire-pavement friction needed for retardation and directional control and causes potential economic and safety threats for the aviation industry during the winter seasons. To activate appropriate safety procedures, pilots need accurate and timely information on the actual runway surface conditions. In this study, XGBoost is used to create a combined runway assessment system, which includes a classifcation model to predict slippery conditions and a regression model to predict the level of slipperiness. The models are trained on weather data and data from runway reports. The runway surface conditions are represented by the tire-pavement friction coefficient, which is estimated from flight sensor data from landing aircrafts. To evaluate the performance of the models, they are compared to several state-of-the-art runway assessment methods. The XGBoost models identify slippery runway conditions with a ROC AUC of 0.95, predict the friction coefficient with a MAE of 0.0254, and outperforms all the previous methods. The results show the strong abilities of machine learning methods to model complex, physical phenomena with a good accuracy when domain knowledge is used in the variable extraction. The XGBoost models are combined with SHAP (SHapley Additive exPlanations) approximations to provide a comprehensible decision support system for airport operators and pilots, which can contribute to safer and more economic operations of airport runways.
• Abstract（参考訳）: 滑走路上の雪と氷の存在は、遅延や方向制御に必要なタイヤ舗装の摩擦を減らし、冬期に航空産業に経済的および安全上の脅威をもたらす可能性がある。 適切な安全手順を発動するには、パイロットは実際の滑走路表面条件の正確かつタイムリーな情報が必要である。 本研究では,XGBoostを用いて,滑空条件を推定する分類モデルと,滑空度を推定する回帰モデルとを組み合わせた滑走路評価システムを構築する。 モデルは気象データと滑走路レポートのデータに基づいてトレーニングされる。 滑走路の表面条件は、着陸機からの飛行センサーデータから推定されるタイヤ舗装摩擦係数によって表される。 モデルの性能を評価するために、いくつかの最先端の滑走路評価手法と比較する。 XGBoost モデルは、RCC AUC 0.95 で滑りやすい滑走路条件を特定し、MAE 0.0254 で摩擦係数を予測し、以前の全ての手法より優れている。 その結果, 変数抽出にドメイン知識を用いる場合, 複雑な物理現象を高い精度でモデル化する機械学習手法の強力な能力を示す。 XGBoost モデルは SHAP (SHapley Additive exPlanations) の近似と組み合わされ、空港運営者やパイロットにとって理解しやすい意思決定支援システムを提供する。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Research on Dangerous Flight Weather Prediction based on Machine Learning [4.352963801845065]
  危険天候が飛行安全に与える影響は極めて重要である。 航空気象サービスの主な課題は、気象データを効果的に利用して、航空危険気象の早期警報能力を改善する方法である。 この研究では、有害な飛行天候を予測するために、サポートベクターマシン(SVM)モデルを用いている。
  論文  参考訳（メタデータ） (2024-06-18T06:08:15Z)
• Context-Aware Generative Models for Prediction of Aircraft Ground Tracks [0.004807514276707785]
  軌道予測は航空交通管制官の意思決定を支援する上で重要な役割を果たしている。 従来のTP手法は決定論的で物理学に基づく手法であり、パラメータは世界中で収集された航空機の監視データを用いて校正される。 本研究では、確率論的機械学習を用いて、パイロット行動とATCO意図の未知の効果をモデル化する横型TPの生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:20:09Z)
• Learning Generative Models for Climbing Aircraft from Radar Data [0.0]
  本稿では,標準航空機データ(BADA)モデルがデータから学習した推力の関数的補正によって強化された登山用航空機の生成モデルを提案する。 この手法には3つの特徴がある: BADAと比較すると66.3%の誤差で到着時刻を予測する; テストデータと比較すると現実的な軌道を生成する。
  論文  参考訳（メタデータ） (2023-09-26T13:53:53Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Applicability and Surrogacy of Uncorrelated Airspace Encounter Models at Low Altitudes [0.0]
  国立航空システム(NAS)は、安全で効率的な航空を可能にする複雑で進化したシステムです。 無人航空機のような新しい航空機は、全体の安全性や効率を損なうことなくNASに統合されなければならない。 モンテカルロシミュレーションは航空機の衝突回避システムを開発し、評価し、認定するための基礎的な能力である。
  論文  参考訳（メタデータ） (2021-03-04T23:16:56Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。