Key points are not available for this paper at this time.
Flugzeuge sind eine soziale Notwendigkeit für die Bewegung von Menschen, Waren und anderem. Sie sind im Allgemeinen sichere Verkehrsmittel; jedoch treten gelegentlich Vorfälle und Unfälle auf. Um Flugunfälle zu verhindern, ist es notwendig, ein maschinelles Lernmodell zu entwickeln, um kommerzielle Flüge mithilfe von automatisierten abhängigen Überwachungs-Broadcast-Daten zu erkennen und vorherzusagen. Diese Studie kombinierte Datenqualitätsüberprüfung, Anomalieerkennung und Entwicklung eines Anomalieklassifikationsmodells. Die Forschungstechnik umfasste die folgenden Phasen: Problemdarstellung, Datenauswahl und -kennzeichnung, Entwicklung des Vorhersagemodells, Bereitstellung und Testen. Der Prozess der Datenkennzeichnung basierte auf den von der Internationalen Zivilluftfahrtorganisation aufgestellten Regeln für kommerzielle Strahltriebwerksflüge und wurde von erfahrenen Verkehrsflugzeugpiloten validiert. Die Ergebnisse zeigten, dass das beste Vorhersagemodell, die quadratische Diskriminanzanalyse, eine Genauigkeit von 93 % aufwies, was auf einen "guten Fit" hinweist. Darüber hinaus lagen die Flächen-in-Unter-Kurve-Ergebnisse des Modells für die Erkennung von abnormalen und normalen Daten bei 0,97 bzw. 0,96, was seinen "guten Fit" bestätigte.
Passarella et al. (Do,) haben diese Frage untersucht.