逆狗1. 项目概述：航空维护事件的智能检测
在航空安全领域，维护事件的有效检测一直是保障飞行安全的关键环节。传统的人工检测方法不仅效率低下，而且难以应对海量传感器数据带来的挑战。本项目基于NGAFID数据集，利用MiniRocket模型实现了航空维护事件的二分类检测，为航空安全维护提供了一种高效的自动化解决方案。
NGAFID（National General Aviation Flight Information Database）是目前最大的带标注多变量时序航空数据集之一。我们使用的2days子集包含11,446条航班记录，每条记录包含23个传感器特征，时间序列长度从605步到20,679步不等，中位数约为5,282步。这些数据记录了飞机在维护前后的各种状态参数，为我们的研究提供了丰富的信息基础。
特别提示：在航空安全领域，数据质量和模型可靠性至关重要。本项目采用了严格的五折交叉验证方法，确保评估结果的客观性和可重复性。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术选型与方案设计
2.1 MiniRocket模型的优势解析
MiniRocket（Minimal Random Convolutional Kernel Transform）是一种专门为时间序列分类设计的高效模型。相比传统的时间序列分类方法，它具有以下几个显著优势：
-
计算效率极高：MiniRocket的训练速度远超深度学习方法，这使得它特别适合处理航空领域的大规模时序数据。在实际测试中，MiniRocket的训练时间通常只有深度学习模型的1/10甚至更少。
-
优异的分类性能：在UCR时间序列分类基准测试中，MiniRocket在多个数据集上都达到了最优性能。这种强大的分类能力对于航空维护事件的准确检测至关重要。
-
多变量时序支持：MiniRocket天然支持多变量时间序列输入，完美适配我们的23维传感器数据。它能够自动捕捉不同传感器之间的关联关系，这是单变量时序模型无法实现的。
-
参数敏感性低：MiniRocket对超参数的调整不敏感，这意味着它可以在不同数据集上保持稳定的性能表现，减少了调参的工作量。
2.2 评估指标的慎重选择
由于NGAFID数据集中维护前（故障）航班和维护后（正常）航班的数量存在明显不平衡，评估指标的选择需要格外谨慎：
| 指标 | 受不平衡影响 | 适用性分析 |
|---|---|---|
| 准确率 | 高 | 在不平衡数据中容易产生误导，例如90%预测为正常也能达到90%准确率 |
| F1分数 | 中等 | 关注少数类的检测效果，但仅反映特定阈值下的性能 |
| ROC-AUC | 低 | 综合考察所有可能的 |