論文の概要: Phase of Flight Classification in Aviation Safety using LSTM, GRU, and BiLSTM: A Case Study with ASN Dataset

• arxiv url: http://arxiv.org/abs/2501.07925v1
• Date: Tue, 14 Jan 2025 08:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:28:45.368534
• Title: Phase of Flight Classification in Aviation Safety using LSTM, GRU, and BiLSTM: A Case Study with ASN Dataset
• Title（参考訳）: LSTM, GRU, BiLSTMを用いた航空安全の飛行分類の段階:ASNデータセットを用いた事例研究
• Authors: Aziida Nanyonga, Hassan Wasswa, Graham Wild,
• Abstract要約: 本研究の目的は,NLP技術を用いて,事故後の出来事の物語から飛行の段階を推定できるかどうかを判断することである。 各種深層学習モデルの分類性能を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Safety is the main concern in the aviation industry, where even minor operational issues can lead to serious consequences. This study addresses the need for comprehensive aviation accident analysis by leveraging natural language processing (NLP) and advanced AI models to classify the phase of flight from unstructured aviation accident analysis narratives. The research aims to determine whether the phase of flight can be inferred from narratives of post-accident events using NLP techniques. The classification performance of various deep learning models was evaluated. For single RNN-based models, LSTM achieved an accuracy of 63%, precision 60%, and recall 61%. BiLSTM recorded an accuracy of 64%, precision 63%, and a recall of 64%. GRU exhibited balanced performance with an accuracy and recall of 60% and a precision of 63%. Joint RNN-based models further enhanced predictive capabilities. GRU-LSTM, LSTM-BiLSTM, and GRU-BiLSTM demonstrated accuracy rates of 62%, 67%, and 60%, respectively, showcasing the benefits of combining these architectures. To provide a comprehensive overview of model performance, single and combined models were compared in terms of the various metrics. These results underscore the models' capacity to classify the phase of flight from raw text narratives, equipping aviation industry stakeholders with valuable insights for proactive decision-making. Therefore, this research signifies a substantial advancement in the application of NLP and deep learning models to enhance aviation safety.
• Abstract（参考訳）: 安全は航空業界の主要な関心事であり、軽微な運用の問題でさえ深刻な結果をもたらす可能性がある。 本研究では、自然言語処理(NLP)と高度なAIモデルを利用して、非構造化航空事故分析から飛行の段階を分類することで、総合的な航空事故解析の必要性に対処する。 本研究の目的は,NLP技術を用いて,事故後の出来事の物語から飛行の段階を推定できるかどうかを判断することである。 各種深層学習モデルの分類性能を評価した。 単一のRNNベースのモデルでは、LSTMは精度63%、精度60%、リコール61%を達成した。 BiLSTMの精度は64%,精度は63%,リコール率は64%であった。 GRUは精度が60%、精度が63%のバランス性能を示した。 共同RNNベースのモデルはさらに予測能力を増強した。 GRU-LSTM, LSTM-BiLSTM, GRU-BiLSTMはそれぞれ62%, 67%, 60%の精度を示した。 モデル性能を総合的に概観するため、様々な指標から比較した単一モデルと複合モデルを比較した。 これらの結果は、原文の物語から飛行の段階を分類するモデルの能力を強調し、航空産業の利害関係者に積極的な意思決定のための貴重な洞察を与える。 そこで本研究では,航空機の安全性を高めるため,NLPおよびディープラーニングモデルの適用が大幅に進歩したことを示す。

関連論文リスト

• Improving Anomalous Sound Detection via Low-Rank Adaptation Fine-Tuning of Pre-Trained Audio Models [45.90037602677841]
  本稿では,音声事前学習モデルを利用した頑健なAnomalous Sound Detection (ASD)モデルを提案する。 マシン操作データを用いてこれらのモデルを微調整し、データ拡張戦略としてSpecAugを使用します。 実験では,従来のSOTAモデルと比較して6.48%の大幅な改善が得られた。
  論文  参考訳（メタデータ） (2024-09-11T05:19:38Z)
• Emotion Classification from Multi-Channel EEG Signals Using HiSTN: A Hierarchical Graph-based Spatial-Temporal Approach [0.0]
  本研究では,感情分類のためのパラメータ係数ネットワークを提案する。 このネットワークには、ボトムアップからさまざまな抽象化レベルで構築されたグラフ階層が組み込まれている。 平均F1スコアは96.82%(原子価)、95.62%(原子価)である。
  論文  参考訳（メタデータ） (2024-08-09T12:32:12Z)
• 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)
• LIMA: Less Is More for Alignment [112.93890201395477]
  65B パラメータ LLaMa 言語モデル LIMA のトレーニングを行う。 LIMAは、非常に強力なパフォーマンスを示し、少数の例から特定のレスポンスフォーマットに従うことを学ぶ。 制御されたヒトの研究では、LIMAからの反応は43%の症例において、GPT-4に等しいか、厳格に好まれる。
  論文  参考訳（メタデータ） (2023-05-18T17:45:22Z)
• A LSTM and Cost-Sensitive Learning-Based Real-Time Warning for Civil Aviation Over-limit [0.0]
  QARデータ監視に基づいて,民間航空の過度限界に対するリアルタイム警告モデルを提案する。 提案モデルでは,F1スコアが0.991,精度が0.978であり,民間航空の過度なリアルタイム警告の有効性を示す。
  論文  参考訳（メタデータ） (2023-05-08T10:56:06Z)
• Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model [9.7723814375467]
  本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。 環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
  論文  参考訳（メタデータ） (2023-04-12T10:31:03Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
  火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。 LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。 その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
  論文  参考訳（メタデータ） (2021-10-27T17:11:33Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。