Fugu-MT 論文翻訳(概要): Exploratory Data Analysis for Airline Disruption Management

論文の概要: Exploratory Data Analysis for Airline Disruption Management

arxiv url: http://arxiv.org/abs/2102.03711v1
Date: Sun, 7 Feb 2021 04:00:10 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 15:21:38.589601
Title: Exploratory Data Analysis for Airline Disruption Management
Title（参考訳）: 航空破壊管理のための探索データ解析
Authors: Kolawole Ogunsina, Ilias Bilionis, Daniel DeLaurentis
Abstract要約: 本稿では,米国の主要航空会社の歴史的スケジュールと運用データについて分析する。その結果,1年間にわたる定期便の定期運行の大半が,飛行遅延による中断によるものであることが明らかとなった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Reliable platforms for data collation during airline schedule operations have significantly increased the quality and quantity of available information for effectively managing airline schedule disruptions. To that effect, this paper applies macroscopic and microscopic techniques by way of basic statistics and machine learning, respectively, to analyze historical scheduling and operations data from a major airline in the United States. Macroscopic results reveal that majority of irregular operations in airline schedule that occurred over a one-year period stemmed from disruptions due to flight delays, while microscopic results validate different modeling assumptions about key drivers for airline disruption management like turnaround as a Gaussian process.
Abstract（参考訳）: 航空会社のスケジュール運用中にデータ照合を行うための信頼できるプラットフォームは、航空会社のスケジュール破壊を効果的に管理するための利用可能な情報の品質と量を大幅に増加させた。そこで,本稿では,米国の主要航空会社の履歴スケジューリングと運用データを解析するために,基本統計と機械学習を用いてマクロな手法と顕微鏡的手法を適用した。巨視的結果は、1年間のフライト遅延による混乱に起因する航空会社のスケジュールの不規則な操作の大部分が、ガウスプロセスのような航空会社の混乱管理のための重要なドライバーに関するさまざまなモデリングの仮定を検証する。

関連論文リスト

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)
Deciphering Air Travel Disruptions: A Machine Learning Approach [0.0]
本研究は、出発時間、航空会社、空港などの要因を調べることにより、飛行遅延傾向を調査する。遅延に対する様々なソースのコントリビューションを予測するために、回帰機械学習手法を採用している。
論文参考訳（メタデータ） (2024-08-05T19:45:07Z)
Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文参考訳（メタデータ） (2024-04-24T13:50:27Z)
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)
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)
Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文参考訳（メタデータ） (2023-05-17T09:37:07Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
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)
Uncertainty Quantification and Propagation for Airline Disruption Management [0.0]
航空会社のスケジューリングプロセスにおける破壊管理は、プロアクティブなプロセスとリアクティブなプロセスに分割することができる。本稿では,航空事故対策における不確実性を特徴付ける不確実性伝達関数モデル(UTFM)を提案する。
論文参考訳（メタデータ） (2021-02-09T21:57:04Z)
How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。