Основная идея
Для решения задачи MIL (Multiple Instance Learning) идентификации связанных с авиационными инцидентами событий низкого уровня во время полётов, исследователи из НАСА используют общие данные о полёте, содержащие информацию о возникновении авиационного инцидента. Целью является выявление этих событий с помощью высокоуровневой информации (меток пакетов данных) и анализа данных о временных рядах для определения отдельных объектов (меток отдельных объектов) с учётом контекста.
Модель DT-MIL
Для эффективного моделирования отдельных объектов, исследователи применяют модель DT-MIL, которая использует рекуррентные нейронные сети с управляемыми рекуррентными блоками (GRU). GRU позволяет фиксировать временные зависимости между объектами данных и упрощает реализацию модели. Архитектура DT-MIL включает блоки GRU, полносвязные слои (FCL), рекуррентные слои (RNN) и логистические слои для извлечения вероятности объектов.
Эксперименты
Для исследования модели использовались данные о полётах, полученные с помощью метода обеспечения качества полётов (FOQA) за период с апреля 2010 года по октябрь 2011 года от частной авиакомпании. Набор данных включает показания сенсорных измерений на борту, такие как скорость полёта, высота, тяга, мощность двигателя, расход топлива и другие. Для идентификации авиационного инцидента, он определяется как значительное превышение скорости (high-speed exceedance, HSE) по заданному критерию.
Обучение модели производилось на разделённых на обучающую, проверочную и тестовую выборки данных, которые были нормализованы для удобства анализа.
Используя модель DT-MIL и данные о полётах, исследователи смогли эффективно выявить события с авиационными инцидентами, что может значительно повысить безопасность и надёжность авиации.
Результаты
В рамках исследования были проведены количественные оценки сравнительной эффективности различных моделей, включая MI-SVM, MI-SVM с привязкой ко времени, DT-MIL (без привязки ко времени), DT-MIL (неглубокая) и ADOPT. Для сравнения использовалась метрика области под ROC-кривой (AUC) для обучения и тестирования.
Количественные результаты приведены в таблице:
Модели AUC обучения AUC тестирования
DT-MIL 0.9904 0.9837
DT-MIL (без привязки ко времени) 0.9723 0.9447
DT-MIL (неглубокая) 0.9892 0.9789
MI-SVM 0.8052 0.79825
MI-SVM (с привязкой ко времени) 0.8751 0.8802
ADOPT 0.9373 0.8280
Из результатов видно, что предложенная модель DT-MIL и её варианты без привязки ко времени и полносвязных слоёв демонстрируют высокую точность в прогнозировании неблагоприятных событий, превосходя MI-SVM и ADOPT.
Заключение
Исследователи продолжат дальнейшее совершенствование модели DT-MIL и планируют разрабатывать приложения, направленные на повышение безопасности полётов. Среди них: система принятия решений для лётного экипажа и авиадиспетчеров, а также конвейер обработки данных в реальном времени. Такие приложения помогут аналитикам, пилотам и диспетчерам оперативно реагировать на происшествия и предотвращать возможные проблемы уже на этапе обучения персонала и проектирования самолётов.
Если вы планируете разрабатывать собственные решения с использованием глубокого обучения и желаете ускорить процесс вычислений, вы можете воспользоваться высокоскоростными GPU NVIDIA Tesla V100 на наших выделенных серверах с GPU. Это позволит значительно улучшить производительность и эффективность вашего исследования.