预印本摘要提出边缘—云物联网框架：用可解释AI（人工智能）做飞机客舱实时监测
一篇摘要级预印本提出面向飞机客舱的边缘—云物联网（IoT）平台，结合可解释人工智能（AI）进行实时异常检测与预测性安全评估，并称混合边缘—雾—云架构在多项指标上优于纯边缘处理。
研究使用模拟客舱环境监测场景的传感器数据集评估，结果仅见于摘要、尚未经同行评审，不能外推为真实客舱表现。 读者可据此了解安全关键场景中边缘分层与可解释性被纳入设计考量的思路。
研究原始来源可核对
事实与证据边界
该预印本摘要提出一种边缘—雾—云混合物联网（IoT，Internet of Things）平台，结合可解释人工智能（XAI，Explainable AI），用于飞机客舱实时监测与预测性安全评估； 采用多模态传感框架采集客舱环境、运行与乘客相关参数。
摘要称，基于模拟客舱环境监测场景的传感器数据集评估，相比纯边缘处理，该架构平均系统时延降低约18–25%，高网络拥塞下丢包率降低近15–20%，传输延迟降低约12–18%，平均处理时间减少约10%，异常检测准确率最高达97–98%； 传感节点增至100个时扩展效率仍高于0.98。
作者为 V. R. Narayanam、Vimalkumar Kumaresan、Vijayachandar Sanikal，出版方为 Open Engineering Inc，出版日期2026-10-06。 摘要未披露数据集来源、样本规模、实验条件与对比基线细节。
分析判断
该研究回应了客舱监测依赖集中式处理带来的延迟、可扩展性与决策不透明问题，并把可解释性纳入安全关键系统设计。 但摘要未给出数据集来源、样本规模和基线定义，97–98%准确率来自模拟数据集，属摘要级证据，不能视为真实客舱环境或适航认证结论。 适用于关注多模态感知与边缘智能架构的研究与产品读者。
后续观察信号
- 该预印本是否公开完整数据集与实验代码
- 97–98%准确率在何种条件下取得、与哪些基线对比
- 该架构是否在其他安全关键场景（如医疗、交通）中被验证