論文の概要: Multi-Airport Delay Prediction with Transformers
- arxiv url: http://arxiv.org/abs/2111.04494v1
- Date: Thu, 4 Nov 2021 21:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:03:19.119933
- Title: Multi-Airport Delay Prediction with Transformers
- Title(参考訳): トランスを用いたマルチエアポート遅延予測
- Authors: Liya Wang, Alex Tien, Jason Chou
- Abstract要約: 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。
- 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: Airport performance prediction with a reasonable look-ahead time is a
challenging task and has been attempted by various prior research. Traffic,
demand, weather, and traffic management actions are all critical inputs to any
prediction model. In this paper, a novel approach based on Temporal Fusion
Transformer (TFT) was proposed to predict departure and arrival delays
simultaneously for multiple airports at once. This approach can capture complex
temporal dynamics of the inputs known at the time of prediction and then
forecast selected delay metrics up to four hours into the future. When dealing
with weather inputs, a self-supervised learning (SSL) model was developed to
encode high-dimensional weather data into a much lower-dimensional
representation to make the training of TFT more efficiently and effectively.
The initial results show that the TFT-based delay prediction model achieves
satisfactory performance measured by smaller prediction errors on a testing
dataset. In addition, the interpretability analysis of the model outputs
identifies the important input factors for delay prediction. The proposed
approach is expected to help air traffic managers or decision makers gain
insights about traffic management actions on delay mitigation and once
operationalized, provide enough lead time to plan for predicted performance
degradation.
- Abstract(参考訳): 空港性能予測を合理的なルックアヘッド時間で行うことは困難な課題であり、様々な先行研究によって試みられている。
交通、需要、天気、交通管理のアクションは、あらゆる予測モデルにとって重要な入力である。
本稿では,複数の空港の出発・到着遅延を同時に予測するために,TFT(Temporal Fusion Transformer)に基づく新しい手法を提案する。
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ックを今後4時間以内に予測することができる。
気象入力を扱う際に、高次元気象データをより低次元の表現に符号化し、TFTの訓練をより効率的に効果的に行うための自己教師付き学習(SSL)モデルを開発した。
最初の結果は、TFTに基づく遅延予測モデルが、テストデータセット上のより小さな予測誤差によって測定された満足な性能を達成することを示す。
さらに、モデル出力の解釈可能性解析により、遅延予測の重要な入力要因を特定する。
提案手法は,航空交通管理者や意思決定者が遅延緩和に関する交通管理行動についての洞察を得るのに有効であり,一度運用すれば,性能劣化予測のための十分なリードタイムが提供される。
関連論文リスト
- Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave
Prediction [9.606555361712116]
空間次元に自己注意(SA)とLong Short-Term Memory(LSTM)を統合する深層予測法であるSA-LSTMを導入する。
この手法を,n段階のSA-LSTMを用いた多段階予測に拡張し,短期予測と長期予測のトレードオフにおいて従来の多段階予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2024-02-08T13:27:10Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - A Comparative Study of Loss Functions: Traffic Predictions in Regular
and Congestion Scenarios [0.0]
本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。
平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。
本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
論文 参考訳(メタデータ) (2023-08-29T17:44:02Z) - Short-Term Electricity Load Forecasting Using the Temporal Fusion
Transformer: Effect of Grid Hierarchies and Data Sources [0.0]
短期負荷予測のためのTFTアーキテクチャの可能性について検討する。
TFTアーキテクチャは、グリッド全体の日頭予測のための最先端のLSTMモデルよりも高い予測性能を提供していない。
その結果, サブステーションレベルに適用した場合, 上位グリッドレベルへのアグリゲーションによるTFTの大幅な改善が認められた。
論文 参考訳(メタデータ) (2023-05-17T20:33:51Z) - A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic
Flow Forecasting [21.6456624219159]
トラフィックフロー予測における重要な課題は、毎日のサイクルと毎週のサイクルの間の時間的ピークの緩やかなシフトである。
本稿では,2つの部分を含む交通流予測のためのスローシフト型機械学習手法を提案する。
提案手法は,ルート平均二乗誤差と平均絶対パーセンテージ誤差を用いて,最先端の結果を14.55%,62.56%向上させる。
論文 参考訳(メタデータ) (2023-03-31T03:07:53Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - 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) - 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) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z)
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。
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。