基于飞行数据的混合机器学习：不平衡着陆阶段安全事件预测

着陆阶段安全事件预测需要从高度不平衡的多变量飞行数据中检测罕见的异常进近。如何捕捉耦合的时序行为，同时区分不同机场运行环境下各类事件的特有模式，仍是建模的核心挑战。本研究提出了一种可解释的混合特征融合框架，用于着陆阶段安全事件的多类别预测。该框架采用在正常飞行窗口上训练的长短期记忆（LSTM）自编码器，刻画偏离常规进近行为的情况。其连续重构误差描述量与针对各参数的飞行历史统计特征融合后，输入采用类别加权的 XGBoost 分类器，以区分正常、速度过高、航径过高和襟翼放出过晚四类窗口。研究使用来自三个到达机场的 53,750 个 NASA DASHlink 进近窗口对该框架进行评估。除组件级基准比较、流程重复训练和特征归因分析外，还比较了合并数据学习与机场专属学习两种策略。结果表明，该框架在各类别上均具有较强的检测能力，在重复数据划分与重新训练条件下，所有机场的平均宏观召回率均超过 0.90。组件比较证实了类别加权的重要性，并表明连续特征融合优于仅使用重构误差和采用硬门控的替代方案。机场层面的比较显示，数据集较大的两个机场受益于本地专门化建模，而数据集最小的机场则受益于合并训练。特征归因表明，预测结果与具有运行意义的垂直航径、构型、速度及进近环境变量相关。该框架为罕见事件检测提供了一种可解释的方法，并为根据机场层面的数据可用性调整飞行数据监控模型提供了实践指导。