.png){kind=icon}
返回
An interpretable machine learning framework for identifying operational risk boundaries in runway excursion using flight data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2026.113119.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 来自2362架次飞行记录器数据支持风险边界分析。
• 可解释机器学习将着陆状态与风险前兆联系起来。
• 弱垂直闭合度将长着陆概率从0.011提高到0.144。
• 侧风变异性将滑跑不稳定性从0.008提高到0.337。
• 六个有序风险等级支持可解释的飞行安全监控。
Keyword:
Flight safety
Quick access recorder (QAR)
Interpretable machine learning
Runway excursion risk
期刊
R
IF:
11
论文数:
1.1K
被引数:
0
机构
引用论文
.png){kind=icon}
Modeling for evaluation of safety instrumented systems with heterogeneous components用于评估具有异构组件的安全仪表系统的建模
PREAI
分享收藏A Runway Overrun Risk Assessment Model for Civil Aircraft Based on Quick Access Recorder Data基于快速存取记录器数据的民用飞机跑道超限风险评估模型
OAAI
OAAI分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型
OAAI
OAAI分享收藏A novel hybrid STL-transformer-ARIMA architecture for aviation failure events prediction一种用于航空故障事件预测的新型stl-transform-arima混合架构
PREAI
分享收藏分享收藏Safety barriers: Research advances and new thoughts on theory, engineering and management安全屏障: 理论、工程和管理的研究进展与新思路OAAI
OAAI分享收藏
查看更多内容