論文の概要: 4D flight trajectory prediction using a hybrid Deep Learning prediction
method based on ADS-B technology: a case study of Hartsfield-Jackson Atlanta
International Airport(ATL)
- arxiv url: http://arxiv.org/abs/2110.07774v1
- Date: Thu, 14 Oct 2021 23:48:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 13:39:24.967659
- Title: 4D flight trajectory prediction using a hybrid Deep Learning prediction
method based on ADS-B technology: a case study of Hartsfield-Jackson Atlanta
International Airport(ATL)
- Title(参考訳): ADS-B技術に基づくハイブリッドディープラーニング予測法による4次元飛行軌道予測:ハーツフィールド・ジャクソン・アトランタ国際空港を事例として
- Authors: Hesam Sahfienya and Amelia C. Regan
- Abstract要約: 本稿では,ハーツフィールド・ジャクソン・アトランタ国際空港(ATL)の予測モデルの不確実性を考慮した空間的・時間的特徴を抽出するハイブリッドディープラーニングモデルを提案する。
その結果,提案モデルは他のモデル(3D CNN, CNN-GRU)と比較して誤差が低いことがわかった。
- 参考スコア(独自算出の注目度): 2.2118683064997264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The core of any flight schedule is the trajectories. In particular, 4D
trajectories are the most crucial component for flight attribute prediction. In
particular, 4D trajectories are the most crucial component for flight attribute
prediction. Each trajectory contains spatial and temporal features that are
associated with uncertainties that make the prediction process complex. Today
because of the increasing demand for air transportation, it is compulsory for
airports and airlines to have an optimized schedule to use all of the airport's
infrastructure potential. This is possible using advanced trajectory prediction
methods. This paper proposes a novel hybrid deep learning model to extract the
spatial and temporal features considering the uncertainty of the prediction
model for Hartsfield-Jackson Atlanta International Airport(ATL). Automatic
Dependent Surveillance-Broadcast (ADS-B) data are used as input to the models.
This research is conducted in three steps: (a) data preprocessing; (b)
prediction by a hybrid Convolutional Neural Network and Gated Recurrent Unit
(CNN-GRU) along with a 3D-CNN model; (c) The third and last step is the
comparison of the model's performance with the proposed model by comparing the
experimental results. The deep model uncertainty is considered using the
Mont-Carlo dropout (MC-Dropout). Mont-Carlo dropouts are added to the network
layers to enhance the model's prediction performance by a robust approach of
switching off between different neurons. The results show that the proposed
model has low error measurements compared to the other models (i.e., 3D CNN,
CNN-GRU). The model with MC-dropout reduces the error further by an average of
21 %.
- Abstract(参考訳): 飛行スケジュールの核心は軌道である。
特に、4D軌道は飛行特性予測において最も重要な要素である。
特に、4D軌道は飛行特性予測において最も重要な要素である。
各軌道は、予測過程を複雑にする不確実性に関連する空間的・時間的特徴を含む。
今日では航空輸送の需要が高まり、空港や航空会社が空港のインフラの可能性を最大限活用するためのスケジュールを整備することが義務付けられている。
これは高度な軌道予測法を用いて可能である。
本稿では,ハートスフィールド・ジャックソン・アトランタ国際空港(atl)の予測モデルの不確実性を考慮した,空間的・時間的特徴を抽出するための新しいハイブリッド深層学習モデルを提案する。
モデルへの入力として、自動依存監視ブロードキャスト(ADS-B)データを使用する。
この研究は3つのステップで行われます。
a) データ前処理
b) ハイブリッド畳み込みニューラルネットワークとGated Recurrent Unit(CNN-GRU)による3D-CNNモデルによる予測
(c)3番目のステップは,実験結果を比較することで,モデルの性能と提案モデルとの比較である。
深いモデルの不確かさは、モンテカルロドロップアウト(mcドロップアウト)を用いて考慮される。
ネットワーク層にMont-Carloドロップアウトを追加し、異なるニューロンを切り替える堅牢なアプローチによってモデルの予測性能を向上させる。
その結果,提案モデルは他のモデル(3D CNN, CNN-GRU)と比較して誤差が低いことがわかった。
mc-dropoutを持つモデルは、エラーを平均21パーセント削減する。
関連論文リスト
- Object Detection in Thermal Images Using Deep Learning for Unmanned
Aerial Vehicles [0.9208007322096533]
本研究は,無人航空機が収集した熱画像中の微小物体と微小物体を認識可能なニューラルネットワークモデルを提案する。
背骨はYOLOv5の構造に基づいて開発され、最後にトランスフォーマーエンコーダが使用される。
ネックは、スライドウインドウと変圧器とを組み合わせたBI−FPNブロックを備え、予測ヘッドに入力された情報を増加させる。
論文 参考訳(メタデータ) (2024-02-13T06:40:55Z) - Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting [0.0]
本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。
本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。
従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
論文 参考訳(メタデータ) (2024-01-07T06:51:26Z) - Context-Aware Generative Models for Prediction of Aircraft Ground Tracks [0.004807514276707785]
軌道予測は航空交通管制官の意思決定を支援する上で重要な役割を果たしている。
従来のTP手法は決定論的で物理学に基づく手法であり、パラメータは世界中で収集された航空機の監視データを用いて校正される。
本研究では、確率論的機械学習を用いて、パイロット行動とATCO意図の未知の効果をモデル化する横型TPの生成法を提案する。
論文 参考訳(メタデータ) (2023-09-26T14:20:09Z) - Learning Generative Models for Climbing Aircraft from Radar Data [0.0]
本稿では,標準航空機データ(BADA)モデルがデータから学習した推力の関数的補正によって強化された登山用航空機の生成モデルを提案する。
この手法には3つの特徴がある: BADAと比較すると66.3%の誤差で到着時刻を予測する; テストデータと比較すると現実的な軌道を生成する。
論文 参考訳(メタデータ) (2023-09-26T13:53:53Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Autoregressive Uncertainty Modeling for 3D Bounding Box Prediction [63.3021778885906]
3Dバウンディングボックスは、多くのコンピュータビジョンアプリケーションで広く使われている中間表現である。
本稿では,自己回帰モデルを利用して高い信頼度予測と意味のある不確実性対策を行う手法を提案する。
我々はシミュレーションデータセットであるCOB-3Dをリリースし、現実世界のロボティクスアプリケーションで発生する新しいタイプのあいまいさを強調します。
論文 参考訳(メタデータ) (2022-10-13T23:57:40Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳(メタデータ) (2022-03-21T17:59:40Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z) - GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory
Prediction [5.346782918364054]
我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。
従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。
本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
論文 参考訳(メタデータ) (2020-03-16T12:56:12Z)
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。