論文の概要: A Fuzzy-Enhanced Explainable AI Framework for Flight Continuous Descent Operations Classification

• arxiv url: http://arxiv.org/abs/2508.14618v1
• Date: Wed, 20 Aug 2025 11:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.433934
• Title: A Fuzzy-Enhanced Explainable AI Framework for Flight Continuous Descent Operations Classification
• Title（参考訳）: ファジィ強化による飛行継続動作分類のための説明可能なAIフレームワーク
• Authors: Amin Noroozi, Sandaruwan K. Sethunge, Elham Norouzi, Phat T. Phan, Kavinda U. Waduge, Md. Arafatur Rahman,
• Abstract要約: CDO(Continuous Descent Operations)は、水平離着陸を回避し、燃料燃焼、排出、騒音を低減させるスムーズなアイドルスラスト降下を含む。 軌道最適化などの関連分野における既存の手法は、航空に必要な透明性を欠いている。 本研究ではファジィ論理と機械学習を統合したファジィ拡張説明可能なAIフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.324715593886356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous Descent Operations (CDO) involve smooth, idle-thrust descents that avoid level-offs, reducing fuel burn, emissions, and noise while improving efficiency and passenger comfort. Despite its operational and environmental benefits, limited research has systematically examined the factors influencing CDO performance. Moreover, many existing methods in related areas, such as trajectory optimization, lack the transparency required in aviation, where explainability is critical for safety and stakeholder trust. This study addresses these gaps by proposing a Fuzzy-Enhanced Explainable AI (FEXAI) framework that integrates fuzzy logic with machine learning and SHapley Additive exPlanations (SHAP) analysis. For this purpose, a comprehensive dataset of 29 features, including 11 operational and 18 weather-related features, was collected from 1,094 flights using Automatic Dependent Surveillance-Broadcast (ADS-B) data. Machine learning models and SHAP were then applied to classify flights' CDO adherence levels and rank features by importance. The three most influential features, as identified by SHAP scores, were then used to construct a fuzzy rule-based classifier, enabling the extraction of interpretable fuzzy rules. All models achieved classification accuracies above 90%, with FEXAI providing meaningful, human-readable rules for operational users. Results indicated that the average descent rate within the arrival route, the number of descent segments, and the average change in directional heading during descent were the strongest predictors of CDO performance. The FEXAI method proposed in this study presents a novel pathway for operational decision support and could be integrated into aviation tools to enable real-time advisories that maintain CDO adherence under varying operational conditions.
• Abstract（参考訳）: CDO(Continuous Descent Operations)は、水平離着陸を回避し、燃料燃焼、排出、騒音を低減し、効率と乗客の快適性を向上するスムーズなアイドルスラスト降下を含む。 運用および環境面での利点にもかかわらず、限定的な研究はCDOのパフォーマンスに影響を与える要因を体系的に検討している。 さらに、軌道最適化などの関連分野における既存手法の多くは、安全と利害関係者の信頼に説明責任が不可欠である航空における透明性を欠いている。 本研究では、ファジィ論理と機械学習を統合したファジィ強化型説明可能なAI(FEXAI)フレームワークと、SHAP分析を用いて、これらのギャップに対処する。 この目的のために、ADS-B(Automatic Dependent Surveillance-Broadcast)データを用いて1,094回の飛行から、11の運用と18の気象関連の特徴を含む29の総合的なデータセットが収集された。 その後、機械学習モデルとSHAPを使用して、飛行士のCDO適合度と特徴の重要度を分類した。 SHAPスコアによって同定された最も影響力のある3つの特徴は、ファジィ規則に基づく分類器を構築するために使われ、解釈可能なファジィ規則の抽出を可能にした。 すべてのモデルは90%以上の分類精度を達成し、FEXAIは運用ユーザに対して有意義でヒューマン可読なルールを提供する。 その結果, 到達経路内の平均降下速度, 降下区間数, 降下時の方向方向の変化がCDO性能の最も強い予測因子であることが示唆された。 本研究で提案するFEXAI法は,CDO適合性を維持するリアルタイムアドバイザリを実現するために,航空ツールに組み込むことが可能な,運用上の意思決定支援のための新しい経路を示す。

関連論文リスト

• Towards Explainable Anomaly Detection in Shared Mobility Systems [10.821699465856078]
  本稿では,自転車共有旅行記録,気象条件,公共交通機関の可利用性など,多元データを統合した解釈可能な異常検出フレームワークを提案する。 その結果, 駅レベルの解析は異常の堅牢な理解を提供し, 悪天候や交通量制限などの外部要因の影響を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-07-21T14:06:42Z)
• Improving AEBS Validation Through Objective Intervention Classification Leveraging the Prediction Divergence Principle [0.0]
  本研究は,予測分散原理(PDP)を利用した規則に基づく分類手法を提案する。 この手法を人間のラベル付けと組み合わせることで、分類の透明性と一貫性が向上し、全体的な検証プロセスが改善されることが示唆された。
  論文  参考訳（メタデータ） (2025-07-10T15:55:05Z)
• EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。 本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
  論文  参考訳（メタデータ） (2025-06-14T05:19:58Z)
• Explainable LiDAR 3D Point Cloud Segmentation and Clustering for Detecting Airplane-Generated Wind Turbulence [8.653321928148545]
  そこで本研究では,光検出とランキング(LiDAR)データを用いて効率的なウェイク渦検出を行う,高度な機械学習手法を提案する。 本研究の新たな特徴は、モデルの決定過程を明確にする摂動に基づく説明手法を使用することである。 リアルタイムの覚醒渦追跡のためのセマンティックセグメンテーションとクラスタリングの組み合わせは、航空安全対策を大幅に前進させる。
  論文  参考訳（メタデータ） (2025-03-01T14:51:31Z)
• Analyzing Aviation Safety Narratives with LDA, NMF and PLSA: A Case Study Using Socrata Datasets [0.0]
  本研究は,1908年から2009年までのソクラタデータセットにおけるトピックモデリング手法の適用について検討した。 この分析では、パイロットエラー、機械的故障、天候条件、訓練不足などの重要なテーマを特定した。 今後の方向性としては、追加のコンテキスト変数の統合、ニューラルトピックモデルの利用、航空安全プロトコルの強化などがある。
  論文  参考訳（メタデータ） (2025-01-03T08:14:39Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• SS-SFDA : Self-Supervised Source-Free Domain Adaptation for Road Segmentation in Hazardous Environments [54.22535063244038]
  本研究では,雨や霧などの悪天候条件下での道路の非監督的区画化に対する新しいアプローチを提案する。 これには、自己教師付き学習を用いたソースフリードメイン適応(SFDA)のための新しいアルゴリズムが含まれている。 実際の悪天候条件と合成悪天候条件に対応するデータセットを6ドルで評価した。
  論文  参考訳（メタデータ） (2020-11-27T09:19:03Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。