Fugu-MT 論文翻訳(概要): Artificial Neural Network Modeling for Airline Disruption Management

論文の概要: Artificial Neural Network Modeling for Airline Disruption Management

arxiv url: http://arxiv.org/abs/2104.02032v1
Date: Mon, 5 Apr 2021 17:37:24 GMT
ステータス: 処理完了
システム内更新日: 2021-04-06 14:48:46.445362
Title: Artificial Neural Network Modeling for Airline Disruption Management
Title（参考訳）: 空線破壊管理のための人工ニューラルネットワークモデリング
Authors: Kolawole Ogunsina and Wendy A. Okolo
Abstract要約: 本研究では,飛行スケジュール実行時の破壊解像度の回復効果を推定する人工ニューラルネットワーク(anns)システムを開発した。当社のモジュラーアプローチにより、ADM中のフライトスケジュールの実行における疲労の現在の業界標準が満たされることを保証します。
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: Since the 1970s, most airlines have incorporated computerized support for managing disruptions during flight schedule execution. However, existing platforms for airline disruption management (ADM) employ monolithic system design methods that rely on the creation of specific rules and requirements through explicit optimization routines, before a system that meets the specifications is designed. Thus, current platforms for ADM are unable to readily accommodate additional system complexities resulting from the introduction of new capabilities, such as the introduction of unmanned aerial systems (UAS), operations and infrastructure, to the system. To this end, we use historical data on airline scheduling and operations recovery to develop a system of artificial neural networks (ANNs), which describe a predictive transfer function model (PTFM) for promptly estimating the recovery impact of disruption resolutions at separate phases of flight schedule execution during ADM. Furthermore, we provide a modular approach for assessing and executing the PTFM by employing a parallel ensemble method to develop generative routines that amalgamate the system of ANNs. Our modular approach ensures that current industry standards for tardiness in flight schedule execution during ADM are satisfied, while accurately estimating appropriate time-based performance metrics for the separate phases of flight schedule execution.
Abstract（参考訳）: 1970年代以降、ほとんどの航空会社は、フライトスケジュール実行中にディスラプションを管理するためのコンピュータサポートを組み込んでいる。しかしながら、航空破壊管理(ADM)のための既存のプラットフォームでは、仕様を満たすシステムが設計される前に、明示的な最適化ルーチンを通じて特定の規則と要求の作成に依存するモノリシックなシステム設計手法を採用している。したがって、admの現在のプラットフォームは、無人航空機システム(uas)、運用およびインフラの導入のような新しい機能の導入により、追加のシステムの複雑さに容易に対応できない。この目的のために,航空のスケジューリングと運用回復に関する履歴データを用いて,予測伝達関数モデル(ptfm)を記述した人工ニューラルネットワーク(anns)を開発し,adm中の飛行スケジュール実行の異なる段階での分解能の回復効果を迅速に推定する。さらに,並列アンサンブル法を用いてPTFMの評価と実行を行うモジュール方式を提案する。我々のモジュラーアプローチは、フライトスケジュール実行の別々のフェーズに対して適切な時間ベースのパフォーマンス指標を正確に推定しながら、ADM中のフライトスケジュール実行における現在の業界標準が満たされていることを保証します。

関連論文リスト

Autoregressive Moving-average Attention Mechanism for Time Series Forecasting [9.114664059026767]
本稿では,各種の線形アテンション機構に適応可能な自己回帰(AR)移動平均アテンション構造を提案する。本稿では、まず、時系列予測(TSF)タスクに対して、これまで見過ごされていたデコーダのみの自己回帰変換モデルが、最良のベースラインに匹敵する結果が得られることを実証する。
論文参考訳（メタデータ） (2024-10-04T05:45:50Z)
A Graph-based Adversarial Imitation Learning Framework for Reliable & Realtime Fleet Scheduling in Urban Air Mobility [5.19664437943693]
本稿では,艦隊スケジューリング問題の包括的最適化について述べる。また、代替ソリューションのアプローチの必要性も認識している。新しい模倣アプローチは、目に見えない最悪のシナリオにおいて、パフォーマンスと顕著な改善を実現する。
論文参考訳（メタデータ） (2024-07-16T18:51:24Z)
Graph Learning-based Fleet Scheduling for Urban Air Mobility under Operational Constraints, Varying Demand & Uncertainties [5.248564173595024]
本稿では,電気航空機のスケジュールと目的地のオンライン計画におけるグラフ強化学習手法を提案する。それは、時間的な需要、垂直離着陸能力、航空機の容量および空域安全ガイドラインに関する制約、離陸遅延、天候によるルート閉鎖、予想外の航空機のダウンタイムに関する不確実性を考える。
論文参考訳（メタデータ） (2024-01-09T23:46:22Z)
Towards a Standardized Reinforcement Learning Framework for AAM Contingency Management [0.0]
我々はMarkov Decision Process(MDP)として並行性管理問題を開発し,それをAAM-Gymシミュレーションフレームワークに統合する。これにより、強化学習アルゴリズムの迅速なプロトタイピングと既存システムの評価が可能になる。
論文参考訳（メタデータ） (2023-11-17T13:54:02Z)
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks [56.91063444859008]
Federated Learning(FL)は、デバイス上でのトレーニングとサーバベースのアグリゲーションを組み合わせた、協調的な機械学習フレームワークである。 FLシステムにおけるストラグラー問題に対処するために,周期的アグリゲーションを用いた非同期FL設計を提案する。年齢認識の集約重み付け設計は,非同期FL設定における学習性能を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2022-12-14T17:33:01Z)
Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
論文参考訳（メタデータ） (2022-12-01T02:26:34Z)
System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文参考訳（メタデータ） (2022-08-30T20:16:17Z)
Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
論文参考訳（メタデータ） (2021-12-26T14:41:52Z)
Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning [72.78668894576515]
Federated Learning (FL)は、新しく登場した分散機械学習(ML)フレームワークである。本稿では,FLシステムにおけるトラグラー問題を排除するために,周期的なアグリゲーションを伴う非同期FLフレームワークを提案する。
論文参考訳（メタデータ） (2021-07-23T18:57:08Z)
Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文参考訳（メタデータ） (2021-07-02T10:11:51Z)
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)

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。