論文の概要: Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting
- arxiv url: http://arxiv.org/abs/2401.03397v1
- Date: Sun, 7 Jan 2024 06:51:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 19:00:58.236736
- Title: Predicting the Skies: A Novel Model for Flight-Level Passenger Traffic
Forecasting
- Title（参考訳）: 空予測 : フライトレベルの旅客交通予測のための新しいモデル
- Authors: Sian Ehsani, Elina Sergeeva, Wendy Murdy, and Benjamin Fox
- Abstract要約: 本研究では,飛行レベルの旅客輸送を予測するための新しい多モード深層学習手法を提案する。
本モデルでは, フライト毎に, 過去の交通情報, 運賃情報, 季節特性を収集する。
従来のベンチマークと比較すると,平均二乗誤差はおよそ33%改善した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of flight-level passenger traffic is of paramount
importance in airline operations, influencing key decisions from pricing to
route optimization. This study introduces a novel, multimodal deep learning
approach to the challenge of predicting flight-level passenger traffic,
yielding substantial accuracy improvements compared to traditional models.
Leveraging an extensive dataset from American Airlines, our model ingests
historical traffic data, fare closure information, and seasonality attributes
specific to each flight. Our proposed neural network integrates the strengths
of Recurrent Neural Networks (RNN) and Convolutional Neural Networks (CNN),
exploiting the temporal patterns and spatial relationships within the data to
enhance prediction performance. Crucial to the success of our model is a
comprehensive data processing strategy. We construct 3D tensors to represent
data, apply careful masking strategies to mirror real-world dynamics, and
employ data augmentation techniques to enrich the diversity of our training
set. The efficacy of our approach is borne out in the results: our model
demonstrates an approximate 33\% improvement in Mean Squared Error (MSE)
compared to traditional benchmarks. This study, therefore, highlights the
significant potential of deep learning techniques and meticulous data
processing in advancing the field of flight traffic prediction.
- Abstract（参考訳）: フライトレベルの旅客輸送の正確な予測は、航空業務において最重要であり、価格から経路最適化への重要な決定に影響を与える。
本研究は,フライトレベルの旅客輸送を予測するための新しい多モーダル深層学習手法を導入し,従来のモデルに比べて精度が大幅に向上した。
American Airlinesの広範なデータセットを活用して、当社のモデルは、過去の交通データ、運賃情報、および各フライトに特有の季節特性を取り込みます。
提案するニューラルネットワークは,リカレントニューラルネットワーク(rnn)と畳み込みニューラルネットワーク(cnn)の強みを統合し,データ内の時間パターンと空間関係を利用して予測性能を向上させる。
私たちのモデルの成功には、包括的なデータ処理戦略が不可欠です。
データを表現するために3Dテンソルを構築し、実世界のダイナミクスを反映するために注意深いマスキング戦略を適用し、トレーニングセットの多様性を高めるためにデータ拡張技術を採用する。
提案手法の有効性は,従来のベンチマークと比較すると,平均正方形誤差(MSE)が約33倍改善したことを示す。
そこで本研究では,フライトトラフィック予測の分野を推し進める上で,深層学習技術と精巧なデータ処理の可能性を強調した。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。
本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。
実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-03-04T17:08:57Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - 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) - Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。
共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。
さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
論文 参考訳（メタデータ） (2022-07-08T10:25:47Z) - NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。
まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-07-04T10:06:20Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - Transfer Learning Based Efficient Traffic Prediction with Limited
Training Data [3.689539481706835]
インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。
限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。
不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
論文 参考訳（メタデータ） (2022-05-09T14:44:39Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z) - Transfer Learning and Online Learning for Traffic Forecasting under
Different Data Availability Conditions: Alternatives and Pitfalls [7.489793155793319]
本研究の目的は,不在データのシナリオにおいて,交通流予測モデルを開発するための伝達学習(TL)の可能性を明らかにすることである。
従来のバッチ学習は,マドリード市議会(スペイン)が管理するデプロイループによって収集される,実際のトラフィックフローデータを用いたTLベースモデルと比較される。
さらに,交通の流れの変化に適応し,新たな交通データから漸進的に学習するために,各予測の後にモデルが更新を受けるオンライン学習(OL)手法を適用した。
論文 参考訳（メタデータ） (2020-05-08T10:53:49Z)
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。