机构名称：
¥ 1.0
摘要 - 已经开发了越来越多的机器学习（ML）工具和原型，以协助空中交通管制员（ATCO）的决策过程。这些ML工具可以促进更快，更一致的决策，以进行流量监控和管理。但是，其中许多工具都使用了模型，在这些模型中，机器做出的决策不容易被ATCO组成。因此，有必要为ATCO开发可解释的基于ML模型的工具，以管理使用基于ML模型的决策的固有风险。这项研究调查了视觉上解释的ML模型，用于跑道出口预测，以实现更好的跑道管理。具体来说，这项研究采用了XGBoost上的局部可解释的模型解释（LIME），在该解释中，可以看到机器做出的跑道退出预测的决策。XGBoost在这里研究的三种飞机分别达到了94.35％，94.17％和80.87％的分类精度。分析石灰参数时，石灰显示了与特定跑道出口相对应的每个飞机的特征的贡献。此外，视觉分析可以将跑道退出预测中不确定性的来源告知决策者。因此，这项工作为基于ML的跑道出口预测铺平了道路，视觉上可解释的机器决策可以为ATCO提供见解，以提供有效的跑道管理以及到达和出发的计划。交互式接口可视化跑道退出预测的机器决策的交互式界面也是本文的原型。
具有视觉上可解释的跑道退出预测模型...
主要关键词
相关文件推荐
