論文の概要: Hybrid Machine Learning for Imbalanced Landing-Phase Safety Event Prediction from Flight Data

• arxiv url: http://arxiv.org/abs/2611.08386v1
• Date: Thu, 05 Nov 2026 18:04:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.610097
• Title: Hybrid Machine Learning for Imbalanced Landing-Phase Safety Event Prediction from Flight Data
• Title（参考訳）: 飛行データからの不均衡着陸時の安全事象予測のためのハイブリッド機械学習
• Abstract要約: 本研究は,着陸期安全イベント予測のための解釈可能なハイブリッド機能融合フレームワークを提案する。 名前付きフライトウィンドウで訓練された長期記憶(LSTM)オートエンコーダは、日常的なアプローチ行動からの逸脱を特徴付ける。 この枠組みは、NASA DASHlinkが3つの空港から窓に接近して53,750個評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Landing-phase safety-event prediction requires the detection of rare abnormal approaches within strongly imbalanced multivariate flight data. Capturing coupled temporal behavior while distinguishing event-specific signatures across airport operating contexts remains a central modeling challenge. This study proposes an interpretable hybrid feature-fusion framework for multiclass landing-phase safety-event prediction. A long short-term memory (LSTM) autoencoder trained on nominal flight windows characterizes deviations from routine approach behavior. Its continuous reconstruction-error descriptor is fused with parameter-specific statistical flight-history features and supplied to a class-weighted XGBoost classifier to distinguish Normal, Speed High, Path High, and Flaps Late windows. The framework is evaluated using 53,750 NASA DASHlink approach windows from three arrival airports. Pooled and airport-specific learning strategies are compared alongside component-level benchmarks, repeated pipeline retraining, and feature-attribution analysis. The results demonstrate strong class-balanced detection, with mean macro recall above 0.90 across all airports under repeated partitioning and retraining. Component comparisons establish the importance of class weighting and show that continuous feature fusion outperforms reconstruction-error-only and hard-gate alternatives. Airport-level comparisons reveal benefits from local specialization at the two airports with larger datasets and from pooled training at the airport with the smallest dataset. Feature attributions associate predictions with operationally relevant vertical-path, configuration, speed, and approach-context variables. The framework provides an interpretable approach to rare-event detection and practical guidance for adapting flight-data monitoring models to airport-level data availability.
• Abstract（参考訳）: ランディングフェーズの安全イベント予測では、強い不均衡な多変量飛行データの中で稀な異常なアプローチを検出する必要がある。 空港の運用状況にまたがるイベント固有の署名を区別しながら、結合した時間的行動のキャプチャは、依然として中心的なモデリング課題である。 本研究では,マルチクラス着陸時の安全事象予測のための解釈可能なハイブリッド機能融合フレームワークを提案する。 名前付きフライトウィンドウで訓練された長期記憶(LSTM)オートエンコーダは、日常的なアプローチ行動からの逸脱を特徴付ける。 その連続再構成エラー記述子はパラメータ固有の統計的飛行履歴特徴と融合し、通常、スピードハイ、パスハイ、フラップレイトウィンドウを区別するためにクラス重み付きXGBoost分類器に供給される。 この枠組みは、NASA DASHlinkが3つの空港から窓に接近して53,750個評価されている。 ポーリングと空港固有の学習戦略は、コンポーネントレベルのベンチマーク、繰り返しパイプラインリトレーニング、特徴帰属分析と合わせて比較される。 その結果,各空港の平均マクロリコールは0.90以上であり,分割と再訓練を繰り返した。 コンポーネント比較は、クラス重み付けの重要性を確立し、連続的な特徴融合が再構成エラーのみおよびハードゲートの代替よりも優れていることを示す。 空港レベルの比較では、より大きなデータセットを持つ2つの空港での地域特化と、最小のデータセットを持つ空港でのプールトレーニングの利点が示される。 特徴属性は、操作に関係のある垂直パス、設定、速度、アプローチコンテキスト変数と予測を関連付ける。 このフレームワークは、レアイベント検出に対する解釈可能なアプローチと、空港レベルのデータ可用性にフライトデータ監視モデルを適用するための実践的なガイダンスを提供する。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting [77.45682913395635]
  時系列基礎モデル (TSFM) は, 予測タスク全体にわたって強く機能するが, 系列ごとの推測は近隣のリッチな予測に不適である。 RACE(Residual-Aware Correction of Forecasting Errors, Residual-Aware Correction of Forecasting Errors)は、2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T13:14:38Z)
• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• Graph-based Complexity Forecasts in UK En Route Airspace Using Relevant Aircraft Interactions [0.0]
  グループの監督者は、今後の交通負荷を見積もるツールを使用して意思決定を支援する。 本研究では,空域セクターの複雑さを予測するための確率論的アプローチを提案する。 我々は既存のフィルタアルゴリズムをロンドン中央セクターでの使用に適したものにした。
  論文  参考訳（メタデータ） (2026-05-22T14:50:34Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Test-Time Compensated Representation Learning for Extreme Traffic Forecasting [13.859278899032846]
  混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。 既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。 マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-16T18:46:34Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  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簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
  過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。 正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。 本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T02:16:02Z)
• Multi-Class Multiple Instance Learning for Predicting Precursors to Aviation Safety Events [0.0]
  異常検出と予測保守が機械学習アプリケーションの主要なターゲットとなっている。 本稿では、比較的新しいアプリケーションである前駆体の同定に焦点を当てる。 前駆体は、悪意のある出来事自体の前に起こる悪意のある出来事と相関するイベントです。
  論文  参考訳（メタデータ） (2021-03-10T18:25:57Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。