論文の概要: Deep Learning for Flight Demand Forecasting
- arxiv url: http://arxiv.org/abs/2011.04476v3
- Date: Thu, 4 Nov 2021 21:55:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:07:12.944521
- Title: Deep Learning for Flight Demand Forecasting
- Title(参考訳): 航空需要予測のための深層学習
- Authors: Liya Wang, Amy Mykityshyn, Craig Johnson, Benjamin D. Marple
- Abstract要約: この研究は、より良いデータソースと堅牢な予測アルゴリズムという2つの重要な側面から予測精度を改善することを目指している。
我々は,シーケンス・ツー・シークエンス(seq2seq)とシークエンス・シークエンス(seq2seq)のDL手法を用いて予測モデルを訓練した。
より優れたデータソースによって、注意を持つseq2seqは、古典的自己回帰(AR)予測法と比較して平均2乗誤差(mse)を60%以上削減することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the success of deep learning (DL) in natural language processing
(NLP), we applied cutting-edge DL techniques to predict flight departure demand
in a strategic time horizon (4 hours or longer). This work was conducted in
support of a MITRE-developed mobile application, Pacer, which displays
predicted departure demand to general aviation (GA) flight operators so they
can have better situation awareness of the potential for departure delays
during busy periods. Field demonstrations involving Pacer's previously designed
rule-based prediction method showed that the prediction accuracy of departure
demand still has room for improvement. This research strives to improve
prediction accuracy from two key aspects: better data sources and robust
forecasting algorithms. We leveraged two data sources, Aviation System
Performance Metrics (ASPM) and System Wide Information Management (SWIM), as
our input. We then trained forecasting models with DL techniques of sequence to
sequence (seq2seq) and seq2seq with attention. The case study has shown that
our seq2seq with attention performs best among four forecasting algorithms
tested. In addition, with better data sources, seq2seq with attention can
reduce mean squared error (mse) over 60%, compared to the classical
autoregressive (AR) forecasting method.
- Abstract(参考訳): 自然言語処理(NLP)における深層学習(DL)の成功に触発された我々は,戦略的時間帯(4時間以上)での出発需要を予測するために最先端のDL技術を適用した。
この研究はmitreが開発したモバイルアプリケーションであるpaper(英語版)をサポートしており、多忙な期間に出発遅延の可能性をよりよく認識できるように、一般航空(ga)の運航者への出発需要を予測する。
パサーが以前設計した規則に基づく予測手法を含む実演では、出発需要の予測精度は改善の余地があることを示した。
本研究は,データソースの改善とロバスト予測アルゴリズムの2つの重要な側面から予測精度の向上を目指している。
入力には、ASPM(Aviation System Performance Metrics)とSWIM(System Wide Information Management)という2つのデータソースを活用しました。
次に,シーケンス to シーケンス (seq2seq) とseq2seq (seq2seq) のDL手法を用いて予測モデルを訓練した。
ケーススタディでは,seq2seqの注目度がテストされた4つの予測アルゴリズムで最高の結果を示した。
さらに、より良いデータソースを持つseq2seqは、従来の自己回帰(ar)予測法と比較して平均二乗誤差(mse)を60%以上削減することができる。
関連論文リスト
- Monitoring Machine Learning Forecasts for Platform Data Streams [2.474754293747645]
デジタルプラットフォームは、突然のパフォーマンス低下に対応するために、大規模な予測フレームワークを必要とします。
本稿では,MLアルゴリズムを再トレーニングする際の問題に答えるために,データ駆動型モニタリング手法を提案する。
モニタベースのリトレーニングは、実行可能なベンチマークと比較して正確な予測を生成する。
論文 参考訳(メタデータ) (2024-01-17T11:37:38Z) - Machine Learning-Enhanced Aircraft Landing Scheduling under
Uncertainties [14.474624795989824]
自動化と安全性の向上を目的とした,革新的な機械学習(ML)強化型ランディングスケジューリング手法を提案する。
ML予測は、時間制約のある旅行セールスマン問題の定式化において、安全制約として統合される。
ケーススタディでは、FCFS(First-Come-First-Served)ルールと比較して、総着陸時間が平均17.2%減少している。
論文 参考訳(メタデータ) (2023-11-27T17:50:14Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳(メタデータ) (2023-07-29T22:49:50Z) - Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。
本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。
提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文 参考訳(メタデータ) (2023-07-20T04:46:34Z) - Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。
S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。
我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文 参考訳(メタデータ) (2022-11-28T14:16:22Z) - Flight Demand Forecasting with Transformers [0.0]
この研究は、より良いデータソースと堅牢な予測アルゴリズムという2つの重要な側面から予測精度を改善することを目指している。
変圧器の成功に触発された我々は,複数の地平線における戦略的出発需要を予測するために,この手法を採用した。
ケーススタディでは、TFTは従来の予測手法よりも大きなマージンで優れた性能を発揮することが示されている。
論文 参考訳(メタデータ) (2021-11-04T22:00:12Z) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳(メタデータ) (2021-11-04T21:58:11Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。