Fugu-MT 論文翻訳(概要): Reroute Prediction Service

論文の概要: Reroute Prediction Service

arxiv url: http://arxiv.org/abs/2310.08988v1
Date: Fri, 13 Oct 2023 10:09:12 GMT
ステータス: 処理完了
システム内更新日: 2023-10-16 13:33:35.549429
Title: Reroute Prediction Service
Title（参考訳）: 経路予測サービス
Authors: \'Italo Romani de Oliveira, Samet Ayhan, Michael Biglin, Pablo Costas, Euclides C. Pinto Neto
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.4999814847776097
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The cost of delays was estimated as 33 billion US dollars only in 2019 for the US National Airspace System, a peak value following a growth trend in past years. Aiming to address this huge inefficiency, we designed and developed a novel Data Analytics and Machine Learning system, which aims at reducing delays by proactively supporting re-routing decisions. Given a time interval up to a few days in the future, the system predicts if a reroute advisory for a certain Air Route Traffic Control Center or for a certain advisory identifier will be issued, which may impact the pertinent routes. To deliver such predictions, the system uses historical reroute data, collected from the System Wide Information Management (SWIM) data services provided by the FAA, and weather data, provided by the US National Centers for Environmental Prediction (NCEP). The data is huge in volume, and has many items streamed at high velocity, uncorrelated and noisy. The system continuously processes the incoming raw data and makes it available for the next step where an interim data store is created and adaptively maintained for efficient query processing. The resulting data is fed into an array of ML algorithms, which compete for higher accuracy. The best performing algorithm is used in the final prediction, generating the final results. Mean accuracy values higher than 90% were obtained in our experiments with this system. Our algorithm divides the area of interest in units of aggregation and uses temporal series of the aggregate measures of weather forecast parameters in each geographical unit, in order to detect correlations with reroutes and where they will most likely occur. Aiming at practical application, the system is formed by a number of microservices, which are deployed in the cloud, making the system distributed, scalable and highly available.
Abstract（参考訳）: 遅延のコストは、2019年に米国航空宇宙局(national airspace system)が3300億ドル(約3兆3000億円)と見積もった。この巨大な非効率に対処するため,我々は,意思決定の再調整を積極的に支援することにより遅延を削減することを目的とした,新しいデータ分析および機械学習システムを設計し,開発した。今後数日以内の期間を想定して、ある航空路交通管制センターまたは特定の諮問識別子に対する再ルート勧告が発行されるかどうかを予測し、関連する経路に影響を与える可能性がある。このような予測を実現するために、FAAが提供するシステムワイド・インフォメーション・マネジメント(SWIM)データサービスから収集された歴史的再帰データと、アメリカ国立環境予報センター(NCEP)が提供する気象データを使用する。データは膨大な量であり、多くのアイテムが高速で流れており、関連性がなくノイズが多い。システムは、受信した生データを継続的に処理し、中間データストアを作成し、効率的なクエリ処理のために適応的に保守する次のステップで利用できるようにする。その結果得られたデータは、高い精度で競合する一連のmlアルゴリズムに供給される。最高の性能のアルゴリズムは最終予測に使われ、最終的な結果を生成する。本システムを用いた実験では,90%以上の平均精度値を得た。本手法では,各地理単位における天気予報パラメータの累積指標の時間系列を用いて,各単位に対する関心領域を分割し,リルータとの相関関係と最も起こりそうな場所を検出する。実際のアプリケーションを想定したシステムは、クラウドにデプロイされる多数のマイクロサービスによって構成され、システムを分散し、スケーラブルで高可用性にする。

関連論文リスト

Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文参考訳（メタデータ） (2024-07-24T09:11:34Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices [7.712009864814493]
本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
論文参考訳（メタデータ） (2024-01-25T20:50:34Z)
Monitoring Machine Learning Forecasts for Platform Data Streams [2.474754293747645]
デジタルプラットフォームは、突然のパフォーマンス低下に対応するために、大規模な予測フレームワークを必要とします。本稿では,MLアルゴリズムを再トレーニングする際の問題に答えるために,データ駆動型モニタリング手法を提案する。モニタベースのリトレーニングは、実行可能なベンチマークと比較して正確な予測を生成する。
論文参考訳（メタデータ） (2024-01-17T11:37:38Z)
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)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
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)
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)
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)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。