روش یادگیری ماشین برای پیش بینی سوار شدن هواپیما

عملیات زمینی قابل اطمینان و قابل پیش بینی برای حرکات ترافیکی هوایی دقیق است. عدم قطعیت در فاز هوایی تأثیر معنی داری در دقت پرواز نسبت به انحراف در عملیات زمینی هواپیما دارد. مسیر زمینی یک هواپیما در درجه اول شامل فرآیندهای حمل و نقل در غرفه است ، تعریف شده به عنوان چرخش هواپیما ، که عمدتا توسط کارشناسان عملیاتی کنترل می شوند. فقط هواپیمای مسافربری که در مسیر بحرانی چرخش قرار دارد ، با تجربه و تمایل و توانایی مسافران برای پیروی از مراحل پیشنهادی رانده می شود. ما برای پیش بینی پیشرفت یک رویداد شبانه روزی از یک روش شبکه عصبی مکرر استفاده کردیم. به طور خاص ، ما مدل حافظه کوتاه مدت طولانی را پیاده سازی و آموزش داده ایم. از آنجا که هیچ داده عملیاتی از رفتار خاص مسافر در دسترس نیست ، ما از یک محیط شبیه سازی شبانه روایی معتبر و معتبر استفاده کردیم تا اطلاعاتی را در مورد رویدادهای شبانه روزی هواپیما ارائه دهیم. پیش بینی های اول نشان می دهد که ورودی یک متغیر (پیشرفت بار صندلی) نتایج ناکافی را به همراه می آورد ، بنابراین تعامل مسافرتی مورد انتظار را در کابین هواپیما نیز در نظر می گیریم. این فعل و انفعالات به یک معیار پیچیدگی از قبل توسعه یافته جمع می شوند و امکان ارزیابی کارآمد از پیشرفت شبانه روزی را فراهم می کنند. با استفاده از این ورودی چند متغیره ، مدل حافظه کوتاه مدت بلند ما به نتایج پیش بینی مناسب برای پیشرفت شبانه روزی دست می یابد.