Hybrid Machine Learning for Imbalanced Landing-Phase Safety Event Prediction from Flight Data

{"tags": ["aviation-safety", "machine-learning", "lstm-autoencoder", "xgboost", "feature-fusion", "anomaly-detection", "nasa-dashlink"], "risks": ["Hiệu năng mô hình phụ thuộc vào chiến lược phân bổ dữ liệu; các sân bay nhỏ có nguy cơ giảm độ chính xác nếu không huấn luyện gộp.", "Khả năng phát sinh cảnh báo sai (false alarm) gây quá tải thông tin cho nhân sự vận hành bay nếu ngưỡng phân loại không được hiệu chỉnh cẩn thận.", "Chưa được kiểm chứng trên các biến động thời tiết cực đoan hoặc các dòng máy bay khác ngoài tập dữ liệu thử nghiệm."], "category": "Research", "entities": ["NASA", "NASA DASHlink", "LSTM Autoencoder", "XGBoost"], "summary_vi": "Nghiên cứu đề xuất khung học máy lai kết hợp đặc trưng có khả năng giải thích nhằm dự đoán các sự kiện an toàn trong giai đoạn hạ cánh từ dữ liệu bay đa biến bị mất cân bằng nghiêm trọng. Hệ thống kết hợp sai số tái tạo liên tục từ LSTM Autoencoder (huấn luyện trên dữ liệu bay chuẩn) cùng các đặc trưng thống kê lịch sử bay, sau đó đưa vào bộ phân loại XGBoost có gán trọng số lớp để phân biệt các trạng thái Normal, Speed High, Path High và Flaps Late. Đánh giá trên 53.750 cửa sổ tiếp cận từ tập dữ liệu NASA DASHlink tại 3 sân bay cho thấy mô hình đạt macro recall trung bình trên 0,90, vượt trội hơn các phương pháp chỉ dùng sai số tái tạo hoặc hard-gate, đồng thời chứng minh mô hình chuyên biệt hóa theo sân bay tối ưu cho nơi nhiều dữ liệu và mô hình gộp tối ưu cho nơi ít dữ liệu.", "key_changes": ["Đề xuất mô hình học máy lai (hybrid feature-fusion) kết hợp giữa bộ mô tả sai số tái tạo liên tục từ LSTM Autoencoder và các đặc trưng thống kê chuyến bay.", "Ứng dụng bộ phân loại XGBoost có gán trọng số lớp (class-weighted) để nhận diện 4 trạng thái tiếp cận hạ cánh: Normal, Speed High, Path High, Flaps Late.", "Thử nghiệm trên 53.750 cửa sổ tiếp cận từ tập dữ liệu NASA DASHlink tại 3 sân bay, đạt macro recall trung bình trên 0,90 qua nhiều lần phân chia và huấn luyện lại.", "Chứng minh việc kết hợp đặc trưng liên tục (continuous fusion) mang lại hiệu quả vượt trội so với chỉ dùng sai số tái tạo hoặc cơ chế hard-gate.", "Xác định chiến lược tối ưu theo dữ liệu: huấn luyện chuyên biệt theo sân bay (airport-specific) hiệu quả với sân bay nhiều dữ liệu, trong khi huấn luyện gộp (pooled training) vượt trội tại sân bay ít dữ liệu."], "sub_category": "Aviation Safety / Rare Event Detection", "novelty_score": 70, "business_score": 80, "research_score": 78, "why_it_matters": "Giai đoạn hạ cánh là thời điểm nhạy cảm nhất về an toàn bay nhưng việc phát hiện bất thường gặp khó khăn do dữ liệu sự cố cực kỳ mất cân bằng. Khung mô hình lai này giải quyết đồng thời bài toán mất cân bằng dữ liệu và tính phụ thuộc bối cảnh từng sân bay, đạt độ nhạy cao (recall > 90%) và cung cấp khả năng giải thích minh bạch cho các hệ thống an toàn hàng không.", "developer_score": 70, "importance_score": 75, "possible_use_cases": ["Tích hợp vào hệ thống giám sát dữ liệu chuyến bay (Flight Data Monitoring - FDM) để tự động phát hiện tiếp cận không ổn định sau chuyến bay.", "Hỗ trợ phát triển hệ thống cảnh báo sớm trong buồng lái đối với các sai lệch tiếp cận hạ cánh (tốc độ cao, đường bay cao, cấu hình cánh tà muộn).", "Làm mẫu kiến trúc xử lý sự kiện hiếm (rare event detection) từ dữ liệu cảm biến đa biến trong các ngành công nghiệp an toàn cao."], "actionability_score": 72}