Analysis and Prediction of Airfield Area Conflict Risk Under Dynamic Time‐Varying Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To ensure the safety of operations in the airfield area, it is crucial to address the increased conflict risks resulting from the growing number of vehicles and aircraft. Based on the complex network theory, this study takes aircraft and vehicles in the airfield area as nodes and selects five different indicators (average degree, average node weight, average weighted clustering coefficient, network density, and network efficiency) to characterize the operation state of the airfield area, so as to identify conflict risks. Building on this framework, an ATT‐Bi‐LSTM innovation prediction model based on LSTM network architecture is established to forecast the evolution of network indicators over time. By leveraging the algorithm to predict the temporal evolution of indicators, valuable insights into the future evolution of conflict risk can be gleaned from the prediction results. Real operational data from Xi’an Xianyang Airport are utilized as a demonstrative example in this study. The results of the experiments illustrate that the analytical approach proposed in this study achieves a precise identification of the indicators. The experimental results are then compared with data from other predictive models that operate on the same data set. Compared to alternative prediction models, the accuracy is increased by nearly 10%, reaching 89.78%. The results of the study help to accurately identify conflict risks in the airfield area in advance and provide strategic conflict avoidance strategies for relevant staff. This is essential to ensure the security of airfield area.
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.
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 | 0,001 | 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) | 0,001 | 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 découle