科研之友
微信
新浪微博
Facebook
分享链接
摘要
空中交通复杂度是空中交通运行的关键指标,在空中交通管理中发挥重要作用,例如空域重新配置、空中交通流量管理和空中交通管制员分配。近年来,许多机器学习技术通过构建从复杂度相关因素到空中交通复杂度标签的映射来评估空中交通复杂度。但是复杂度标签的质量问题常常被忽略,导致不佳的空中交通复杂度评估效果。本文针对空中交通复杂度样本中存在的标签噪声,提出了一种基于置信学习和XGBoost的方法来评估标签噪声背景下的空中交通复杂度。置信学习过程通过不同分类算法得到的标签概率分布过滤掉标签噪声样本,XGBoost用于在不同的标签噪声过滤比率数据集上训练健壮且高性能的空中交通复杂度评估模型。对来自中国广州空域扇区的真实数据集进行实验,结果表明:适当的标签噪声移除策略和XGBoost可以有效缓解标签噪声影响,从而使得空中交通复杂度评估模型取得更好的性能。
- 单位
