論文の概要: Flight Time Prediction for Fuel Loading Decisions with a Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2005.05684v2
• Date: Sun, 9 May 2021 07:29:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:05:51.899091
• Title: Flight Time Prediction for Fuel Loading Decisions with a Deep Learning Approach
• Title（参考訳）: 深層学習による燃料負荷決定のための飛行時間予測
• Authors: Xinting Zhu and Lishuai Li
• Abstract要約: 航空は常に新しい技術を模索し、燃料消費を減らすために飛行を最適化している。 過剰な燃料は、燃料消費の不確実性を扱うために、派遣者や(または)パイロットによってロードされる。 我々は,より優れた飛行時間予測を実現するために,空間重み付きリカレントニューラルネットワークモデルを開発した。
• 参考スコア（独自算出の注目度）: 3.285168337194676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Under increasing economic and environmental pressure, airlines are constantly seeking new technologies and optimizing flight operations to reduce fuel consumption. However, the current practice on fuel loading, which has a significant impact on aircraft weight and fuel consumption, has yet to be thoroughly addressed by existing studies. Excess fuel is loaded by dispatchers and (or) pilots to handle fuel consumption uncertainties, primarily caused by flight time uncertainties, which cannot be predicted by current Flight Planning Systems. In this paper, we develop a novel spatial weighted recurrent neural network model to provide better flight time predictions by capturing air traffic information at a national scale based on multiple data sources, including Automatic Dependent Surveillance-Broadcast, Meteorological Aerodrome Reports, and airline records. In this model, a spatial weighted layer is designed to extract spatial dependences among network delay states. Then, a new training procedure associated with the spatial weighted layer is introduced to extract OD-specific spatial weights. Long short-term memory networks are used to extract the temporal behavior patterns of network delay states. Finally, features from delays, weather, and flight schedules are fed into a fully connected neural network to predict the flight time of a particular flight. The proposed model was evaluated using one year of historical data from an airline's real operations. Results show that our model can provide more accurate flight time predictions than baseline methods, especially for flights with extreme delays. We also show that, with the improved flight time prediction, fuel loading can be optimized and resulting in reduced fuel consumption by 0.016%-1.915% without increasing the fuel depletion risk.
• Abstract（参考訳）: 経済と環境の圧力が高まる中、航空会社は常に新しい技術を模索し、燃料消費を減らすために飛行を最適化している。 しかし、航空機の重量と燃料消費に大きな影響を及ぼす燃料の積み込みに関する現在の実践は、まだ既存の研究によって完全には解決されていない。 現在の飛行計画システムでは予測できない飛行時間の不確実性によって引き起こされる燃料消費の不確実性を扱うために、派遣者やパイロットが過剰な燃料を積み込む。 本稿では,自動監視ブロードキャスト,気象情報,航空記録など複数のデータソースに基づいて,航空交通情報を全国的に捉えることにより,より優れた飛行時間予測を可能にする,新しい空間重み付きリカレントニューラルネットワークモデルを開発した。 本モデルでは,ネットワーク遅延状態間の空間依存性を抽出する空間重み付け層を設計する。 次に、空間重み付け層に関連する新たなトレーニング手順を導入し、OD固有の空間重みを抽出する。 長期記憶ネットワークは、ネットワーク遅延状態の時間的挙動パターンを抽出するために使用される。 最後に、遅延、天候、フライトスケジュールなどの機能は、完全に接続されたニューラルネットワークに供給され、特定の飛行の飛行時間を予測する。 提案モデルは、航空会社の実運用から1年間の履歴データを用いて評価された。 その結果,本モデルは,特に遅延の激しい飛行に対して,ベースライン法よりも正確な飛行時間を予測できることがわかった。 また, 飛行時間予測の改善により, 燃料負荷を最適化でき, 燃料消費を0.016%-1.915%削減できることを示した。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Flight Delay Prediction using Hybrid Machine Learning Approach: A Case Study of Major Airlines in the United States [0.0]
  本研究では,ディープラーニングと古典的機械学習技術を組み合わせたハイブリッドアプローチを提案する。 いくつかの機械学習アルゴリズムが飛行データに適用され、提案モデルの結果が検証される。 調査ではまた、アメリカの航空会社の飛行データと各モデルについて広範囲に分析し、洞察に富んだ結果を得た。
  論文  参考訳（メタデータ） (2024-09-01T04:18:41Z)
• Improving Air Mobility for Pre-Disaster Planning with Neural Network Accelerated Genetic Algorithm [26.061782031525652]
  気象災害に関連する緊急作戦は、航空機と空港の両方での空輸に大きな課題をもたらす。 そこで本稿では,空港の運用スケジュールを事前に調整するためのフレームワークを提案する。 次に、避難計画のための新しいニューラルネットワーク(NN)高速化遺伝的アルゴリズム(GA)を提案する。
  論文  参考訳（メタデータ） (2024-07-17T15:59:41Z)
• Airport take-off and landing optimization through genetic algorithms [55.2480439325792]
  本研究は, 航空機の運転における汚染問題に対処し, ゲート割り当てと滑走路スケジューリングを同時に最適化することに焦点を当てた。 本研究は,航空機の離陸・着陸時の燃料燃焼による汚染を最小化するための,革新的な遺伝的アルゴリズムに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:53:55Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
  過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。 正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。 本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T02:16:02Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map [20.579487904188802]
  空港に適用可能な高い予測精度を実現するためのビジョンベースソリューションを提案する。 本稿では,状況認識マップから空間的情報と時間的情報の両方をキャプチャする,エンドツーエンドのディープラーニングアーキテクチャであるTrajCNNを提案する。 提案手法は,ロサンゼルス国際空港での発着遅延の予測に有効である(約18分遅れ)。
  論文  参考訳（メタデータ） (2021-05-19T07:38:57Z)
• Spatio-Temporal Data Mining for Aviation Delay Prediction [15.621546618044173]
  本研究では,商業飛行における長期記憶ネットワーク(LSTM)に基づく航空機遅延予測システムを提案する。 このシステムは、自動監視放送(ADS-B)メッセージから歴史的軌跡から学習する。 従来と比べ,大規模なハブ空港ではより堅牢で正確であることが実証された。
  論文  参考訳（メタデータ） (2021-03-20T18:37:06Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。