在商用飞机中基于机器学习的异常检测和预测,使用自主监控数据

科学领域:

• 航空安全航空安全
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 商业航空对全球运输至关重要,但事故虽然很少发生,但会带来重大风险.
• 需要预测模型来通过检测和预测潜在的飞机事故来提高安全性.

研究的目的:

• 开发和评估用于检测和预测商用飞机事故的机器学习模型.
• 评估模型在分类异常和识别数据模式方面的准确性.

主要方法:

• 制定了问题,根据全球航空组织的标准选择和标记数据.
• 开发并测试了一种机器学习模型,特别是线性双极测试,用于事故预测.
• 经过验证的数据标记与专家商业飞行员.

主要成果:

• 线性双极测试模型达到93%的精度,表明预测的高精度.
• 该模型表现出强的性能,用于异常识别的曲线下面积为0.97.
• 每天检测时记录了0.96的曲线下面积,证实了模型的可靠性.

结论:

• 开发的机器学习模型在预测商用飞机事故方面非常有效.
• 该模型的高精度和AUC分数验证了其在航空中对异常和日常检测的能力.
• 这种预测能力可以大大有助于提高整体航空安全和运营效率.