論文の概要: Big data-driven prediction of airspace congestion
- arxiv url: http://arxiv.org/abs/2310.08982v1
- Date: Fri, 13 Oct 2023 09:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 13:31:30.795319
- Title: Big data-driven prediction of airspace congestion
- Title（参考訳）: ビッグデータによる航空空間の混雑予測
- Authors: Samet Ayhan, \'Italo Romani de Oliveira, Glaucia Balvedi, Pablo
Costas, Alexandre Leite, Felipe C. F. de Azevedo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 40.02298833349518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Air Navigation Service Providers (ANSP) worldwide have been making a
considerable effort for the development of a better method to measure and
predict aircraft counts within a particular airspace, also referred to as
airspace density. An accurate measurement and prediction of airspace density is
crucial for a better managed airspace, both strategically and tactically,
yielding a higher level of automation and thereby reducing the air traffic
controller's workload. Although the prior approaches have been able to address
the problem to some extent, data management and query processing of
ever-increasing vast volume of air traffic data at high rates, for various
analytics purposes such as predicting aircraft counts, still remains a
challenge especially when only linear prediction models are used.
In this paper, we present a novel data management and prediction system that
accurately predicts aircraft counts for a particular airspace sector within the
National Airspace System (NAS). The incoming Traffic Flow Management (TFM) data
is streaming, big, uncorrelated and noisy. In the preprocessing step, the
system continuously processes the incoming raw data, reduces it to a compact
size, and stores it in a NoSQL database, where it makes the data available for
efficient query processing. In the prediction step, the system learns from
historical trajectories and uses their segments to collect key features such as
sector boundary crossings, weather parameters, and other air traffic data. The
features are fed into various regression models, including linear, non-linear
and ensemble models, and the best performing model is used for prediction.
Evaluation on an extensive set of real track, weather, and air traffic data
including boundary crossings in the U.S. verify that our system efficiently and
accurately predicts aircraft counts in each airspace sector.
- Abstract（参考訳）: 航空航法サービスプロバイダ(ANSP)は、空域密度とも呼ばれる特定の空域内の航空機の数を測定・予測するためのより良い方法の開発に、多大な努力を払っている。
航空空間密度の正確な測定と予測は、戦略的にも戦術的にもより良い管理された航空空間に不可欠であり、より高いレベルの自動化を実現し、航空管制官の作業負荷を減少させる。
従来の手法ではある程度この問題に対処できたが、航空機数予測などの様々な分析目的のために、大量の航空交通データを高速で増加させるデータ管理とクエリ処理は、特に線形予測モデルのみを使用する場合、依然として課題である。
本稿では,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。
入ってくるトラフィックフロー管理(tfm)データは、ストリーミングであり、大きく、非相関であり、うるさい。
事前処理ステップでは、システムは入ってくる生データを継続的に処理し、それをコンパクトなサイズに縮小し、nosqlデータベースに格納し、効率的なクエリ処理のためにデータを利用可能にする。
予測ステップでは、システムは過去の軌道から学習し、セグメントを使用してセクタ境界交差、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。
これらの特徴は線形、非線形、アンサンブルモデルを含む様々な回帰モデルに与えられ、最良の実行モデルが予測に使用される。
米国における国境横断を含む実線,天気,航空交通の広範なデータの評価により,我々のシステムが各空域における航空機の数を効率的に正確に予測できることが確認された。
関連論文リスト
- Amelia: A Large Model and Dataset for Airport Surface Movement Forecasting [12.684598713362007]
Amelia-48 は System Wide Information Management (SWIM) Surface Movement Event Service (SMES) を用いて収集された大規模な表面運動データセットである。
Amelia-TFは、292日間にトレーニングされた、トランスフォーマーに基づく大規模マルチエージェントマルチエージェントトラジェクトリ予測モデルである。
未確認の空港では、異なる予測水平線長、エゴエージェント選択戦略、トレーニングレシピを示す実験が実施されている。
論文 参考訳（メタデータ） (2024-07-30T20:50:48Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - Reroute Prediction Service [0.4999814847776097]
遅延のコストは、2019年に米国国立航空宇宙システム(NAS)に限って33億ドルと見積もられた。
我々は,リルート決定を積極的に支援することによる遅延低減を目的とした,新しいデータ分析と機械学習システムの設計と開発を行った。
このシステムは、ある航空路交通管理センターのルート変更勧告や、ある航空路交通管理センターのルート変更勧告が発行されるかどうかを予測し、関連するルートに影響を与える可能性がある。
論文 参考訳（メタデータ） (2023-10-13T10:09:12Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。
正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。
本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-17T02:16:02Z) - A Simplified Framework for Air Route Clustering Based on ADS-B Data [0.0]
本稿では,ADS-Bデータに基づく空港間の典型的な航空路の検出を支援する枠組みを提案する。
実のところ,エアフロー最適化の計算コストを実質的に低減するために,我々の枠組みを考慮に入れることができる。
論文 参考訳（メタデータ） (2021-07-07T08:55:31Z) - 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) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z)
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。