A new approach to aircraft categorization using machine learning to analyze aircraft behaviour
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2023-4214.vid The establishment of aircraft categories is a classification technique employed in a variety of aviation disciplines including design and development, certification, ongoing airworthiness, air traffic management, surveillance, and safety analysis. Traditional approaches to aircraft classification rely on manual feature engineering which can be labor-intensive and ineffective for capturing complex patterns. In this paper, a novel approach to aircraft classification using unsupervised machine learning clustering techniques is proposed. The aim of the proposed approach is to be simple in order to be useful and understandable across disciplinary domains; to be scalable to large volumes of air traffic data in order to leverage this data for the purpose of improving the understanding of aircraft behaviours; and to be easily adaptable to future changes in order to account for the evolving technological and operational nature of the airspace environment. The application is based on an adapted version of the k-means algorithm that can automatically group aircraft into clusters based on similarities in features such as position, velocity and acceleration over a period of time. The proposed approach is validated using a real-world air traffic dataset obtained from publicly available ADS-B data, and the results are compared to traditional classification methods from the field of aircraft certification. The findings suggest that leveraging machine learning clustering techniques is a promising approach to aircraft classification, enabling automated and scalable solutions for a variety of applications. The proposed approach has the potential to improve aircraft classification accuracy tailored for specific applications, enhance situational awareness of the airspace environment, and ultimately enhance aviation safety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».