Aircraft Categorization Approach Using Machine Learning to Analyze Aircraft Behavior
Notice bibliographique
Résumé
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 rely on manual feature engineering, which can be labor-intensive and ineffective for capturing complex patterns. In this paper, an approach to aircraft categorization using unsupervised machine learning clustering 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; and to be adaptable to changes to account for the evolving technological and operational nature of the airspace environment. The application is based on an adapted version of the [Formula: see text]-means algorithm that can group aircraft into clusters based on 3D position over time. The approach is validated using real-world, publicly available ADS-B air traffic data, and the results are compared to traditional categorization methods from the field of aircraft certification. The results showed that the model could be used to 1) identify and group aircraft sharing the same flight phase, 2) categorize aircraft with a similar general heading or direction, and 3) distinguish between local regional aircraft operations and longer flight operations. It was also shown that, depending on the use case, the model could be extended to identify more granular behaviors by increasing the [Formula: see text] value used to create the model. Overall, the findings demonstrate that leveraging machine learning techniques for aircraft categorization provides an effective, automated, and scalable solution applicable to a wide range of current applications.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».