論文の概要: Model Generalization in Arrival Runway Occupancy Time Prediction by Feature Equivalences

• arxiv url: http://arxiv.org/abs/2201.11654v1
• Date: Tue, 25 Jan 2022 05:47:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-29 06:17:23.052854
• Title: Model Generalization in Arrival Runway Occupancy Time Prediction by Feature Equivalences
• Title（参考訳）: 特徴同値による到着滑走路時間予測におけるモデル一般化
• Authors: An-Dan Nguyen, Duc-Thinh Pham, Nimrod Lilith, and Sameer Alam
• Abstract要約: 本稿では,Arival Runway Occupancy Time (AROT) のリアルタイム予測モデルを一般化する試みについて述べる。 サーブ・センシス(Saab Sensis)のエアロバーンシステム(Aerobahn system)から収集された3日間のデータはこの研究に使われている。 数値等価な特徴を訓練したモデルは、少なくとも分類的特徴を訓練したモデルと同等の性能を持つだけでなく、他の空港からの見当たらないデータについても予測できることを示した。
• 参考スコア（独自算出の注目度）: 0.9449650062296822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General real-time runway occupancy time prediction modelling for multiple airports is a current research gap. An attempt to generalize a real-time prediction model for Arrival Runway Occupancy Time (AROT) is presented in this paper by substituting categorical features by their numerical equivalences. Three days of data, collected from Saab Sensis' Aerobahn system at three US airports, has been used for this work. Three tree-based machine learning algorithms: Decision Tree, Random Forest and Gradient Boosting are used to assess the generalizability of the model using numerical equivalent features. We have shown that the model trained on numerical equivalent features not only have performances at least on par with models trained on categorical features but also can make predictions on unseen data from other airports.
• Abstract（参考訳）: 複数の空港の滑走路占有時間予測モデルが現在研究のギャップとなっている。 本論文では,Arival Runway Occupancy Time (AROT) のリアルタイム予測モデルを,その数値等価性によって分類的特徴に代えて一般化する試みについて述べる。 サーブ・センシス(Saab Sensis)のエアロバーンシステム(Aerobahn system)から収集された3日間のデータはこの研究に使われている。 3つの木ベースの機械学習アルゴリズム:決定木、ランダムフォレスト、勾配ブースティングを使用して、数値等価な特徴を用いてモデルの一般化可能性を評価する。 数値等価な特徴を訓練したモデルは、少なくとも分類的特徴を訓練したモデルと同等の性能を持つだけでなく、他の空港の未確認データについても予測できることを示した。

関連論文リスト

• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Generating Survival Interpretable Trajectories and Data [2.4861619769660637]
  本稿では,合成データセットと実データセットの数値実験を用いて,提案モデルの有効性と特性を実証する。 提案したモデルを実装するアルゴリズムのコードが公開されている。
  論文  参考訳（メタデータ） (2024-02-19T18:02:10Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• EAMDrift: An interpretable self retrain model for time series [0.0]
  EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。 EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。 本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-31T13:25:26Z)
• 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)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• 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) [2.2118683064997264]
  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。
  論文  参考訳（メタデータ） (2021-10-14T23:48:44Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
  本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
  論文  参考訳（メタデータ） (2020-03-20T17:03:36Z)

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。