論文の概要: Spatio-Temporal Data Mining for Aviation Delay Prediction
- arxiv url: http://arxiv.org/abs/2103.11221v1
- Date: Sat, 20 Mar 2021 18:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:11:05.360787
- Title: Spatio-Temporal Data Mining for Aviation Delay Prediction
- Title(参考訳): 航空遅延予測のための時空間データマイニング
- Authors: Kai Zhang, Yushan Jiang, Dahai Liu and Houbing Song
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.621546618044173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To accommodate the unprecedented increase of commercial airlines over the
next ten years, the Next Generation Air Transportation System (NextGen) has
been implemented in the USA that records large-scale Air Traffic Management
(ATM) data to make air travel safer, more efficient, and more economical. A key
role of collaborative decision making for air traffic scheduling and airspace
resource management is the accurate prediction of flight delay. There has been
a lot of attempts to apply data-driven methods such as machine learning to
forecast flight delay situation using air traffic data of departures and
arrivals. However, most of them omit en-route spatial information of airlines
and temporal correlation between serial flights which results in inaccuracy
prediction. In this paper, we present a novel aviation delay prediction system
based on stacked Long Short-Term Memory (LSTM) networks for commercial flights.
The system learns from historical trajectories from automatic dependent
surveillance-broadcast (ADS-B) messages and uses the correlative geolocations
to collect indispensable features such as climatic elements, air traffic,
airspace, and human factors data along posterior routes. These features are
integrated and then are fed into our proposed regression model. The latent
spatio-temporal patterns of data are abstracted and learned in the LSTM
architecture. Compared with previous schemes, our approach is demonstrated to
be more robust and accurate for large hub airports.
- Abstract(参考訳): 今後10年間で商業航空会社が前例のない増加に対応するため、次世代航空輸送システム(NextGen)が米国で実施され、航空輸送をより安全で効率よく、より経済的にするための大規模な航空交通管理(ATM)データを記録している。
航空交通スケジューリングと航空資源管理のための協調意思決定の重要な役割は、飛行遅延の正確な予測である。
出発・到着の航空交通データを用いて、飛行遅延状況の予測に機械学習などのデータ駆動手法を適用する試みが数多く行われている。
しかし、そのほとんどは航空会社の空間情報と、不正確な予測をもたらす連続飛行間の時間的相関を省略している。
本稿では,商用機用スタック型long short-term memory (lstm) ネットワークを用いた航空遅延予測システムを提案する。
このシステムは、自動監視ブロードキャスト(ADS-B)メッセージから歴史的軌跡から学習し、相関位置情報を用いて、気候要素、航空交通、空域、人的要因などの不必要な特徴を後続ルートに沿って収集する。
これらの機能は統合され、提案する回帰モデルに供給されます。
データの潜在時空間パターンはLSTMアーキテクチャで抽象化され、学習される。
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。
関連論文リスト
- Big data-driven prediction of airspace congestion [40.02298833349518]
国立航空宇宙システム(NAS)内の特定の空域セクターの航空機数を正確に予測する新しいデータ管理・予測システムを提案する。
前処理ステップでは、システムは受信した生データを処理し、それをコンパクトなサイズに減らし、コンパクトなデータベースに格納する。
予測段階において、システムは歴史的軌跡から学習し、そのセグメントを使用して、セクター境界交差、気象パラメータ、その他の航空交通データなどの重要な特徴を収集する。
論文 参考訳(メタデータ) (2023-10-13T09:57:22Z) - 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) - Decision Support Models for Predicting and Explaining Airport Passenger
Connectivity from Data [4.613211668370363]
本稿では,接続飛行管理の異なる段階を対象とした機械学習に基づく意思決定支援モデルを提案する。
フライトや乗客の履歴データを用いて、航空会社のハブ空港におけるフライト接続の欠落を予測した。
論文 参考訳(メタデータ) (2021-11-02T22:08:39Z) - 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) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳(メタデータ) (2021-10-28T14:12:10Z) - 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) - 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) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z) - Flight Time Prediction for Fuel Loading Decisions with a Deep Learning
Approach [3.285168337194676]
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。
論文 参考訳(メタデータ) (2020-05-12T11:05:42Z)
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。