Fugu-MT 論文翻訳(概要): Airport Taxi Time Prediction and Alerting: A Convolutional Neural Network Approach

論文の概要: Airport Taxi Time Prediction and Alerting: A Convolutional Neural Network Approach

arxiv url: http://arxiv.org/abs/2111.09139v1
Date: Wed, 17 Nov 2021 14:23:54 GMT
ステータス: 処理完了
システム内更新日: 2021-11-18 14:22:26.899063
Title: Airport Taxi Time Prediction and Alerting: A Convolutional Neural Network Approach
Title（参考訳）: 空港タクシーの時間予測と耐久:畳み込みニューラルネットワークによるアプローチ
Authors: Erik Vargo, Alex Tien, Arian Jafari
Abstract要約: 本稿では,空港における平均配車時間が,次の1時間以内に予め定義された閾値を超えるかどうかを予測し,判定するための新しい手法を提案する。空港表面データを暗黙的かつ自動的に適応固有情報が人工知能(AI)によって推測されるように組み込んだコンピュータビジョンベースモデルを提案する。
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: This paper proposes a novel approach to predict and determine whether the average taxi- out time at an airport will exceed a pre-defined threshold within the next hour of operations. Prior work in this domain has focused exclusively on predicting taxi-out times on a flight-by-flight basis, which requires significant efforts and data on modeling taxiing activities from gates to runways. Learning directly from surface radar information with minimal processing, a computer vision-based model is proposed that incorporates airport surface data in such a way that adaptation-specific information (e.g., runway configuration, the state of aircraft in the taxiing process) is inferred implicitly and automatically by Artificial Intelligence (AI).
Abstract（参考訳）: 本稿では,空港における平均タクシー走行時間が,次の1時間以内に予め定義された閾値を超えるかどうかを予測し,判定するための新しい手法を提案する。このドメインでの以前の作業は、飛行毎のタクシーの運行時間を予測することに集中しており、ゲートから滑走路までのタクシー活動のモデル化に多大な労力とデータを必要としている。表面レーダ情報から直接、最小限の処理で学習し、空港表面データ(例えば、滑走路構成、タクシープロセスにおける航空機の状態)を人工知能(ai)によって暗黙的かつ自動的に推測するように、空港表面データを組み込んだコンピュータビジョンベースのモデルを提案する。

関連論文リスト

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)
Arrival Time Prediction for Autonomous Shuttle Services in the Real World: Evidence from Five Cities [3.6294895527930504]
本研究では,自律型シャトルのAT予測システムを提案する。停留所をバイパスするシャトルのケースを正確に処理するために,ランダムな森林分類器とGNNを組み合わせた階層モデルを提案する。最終的なAT予測の結果は有望であり、いくつかの停止を予測してもエラーは少ない。
論文参考訳（メタデータ） (2024-01-10T18:41:39Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
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)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文参考訳（メタデータ） (2022-06-29T17:58:12Z)
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)
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)
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)
Deep4Air: A Novel Deep Learning Framework for Airport Airside Surveillance [0.9449650062296822]
コンピュータビジョンに基づく新しいフレームワーク,すなわち"Deep4Air"を提案する。滑走路やタクシー道で航空機の速度と距離をリアルタイムで分析する。提案するフレームワークは、航空機を効率的に検出・追跡する適応型ディープニューラルネットワークを含む。
論文参考訳（メタデータ） (2020-10-02T06:33:21Z)

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。