Fugu-MT 論文翻訳(概要): FlightPatchNet: Multi-Scale Patch Network with Differential Coding for Flight Trajectory Prediction

論文の概要: FlightPatchNet: Multi-Scale Patch Network with Differential Coding for Flight Trajectory Prediction

arxiv url: http://arxiv.org/abs/2405.16200v1
Date: Sat, 25 May 2024 12:15:56 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 00:31:06.122272
Title: FlightPatchNet: Multi-Scale Patch Network with Differential Coding for Flight Trajectory Prediction
Title（参考訳）: FlightPatchNet:飛行軌道予測のための差分符号化付きマルチスケールパッチネットワーク
Authors: Lan Wu, Xuebin Wang, Ruijuan Chu, Guangyi Liu, Yingchun Chen, Jing Zhang, Linyu Wang,
Abstract要約: 飛行軌跡予測のための差分符号付きマルチスケールパッチネットワークであるFlightPatchNetを提案する。飛行軌道における多様な時間的パターンを十分に探求するために、マルチスケールパッチネットワークはバックボーンとして機能するように微妙に設計されている。
参考スコア（独自算出の注目度）: 10.371416168984725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate multi-step flight trajectory prediction plays an important role in Air Traffic Control, which can ensure the safety of air transportation. Two main issues limit the flight trajectory prediction performance of existing works. The first issue is the negative impact on prediction accuracy caused by the significant differences in data range. The second issue is that real-world flight trajectories involve underlying temporal dependencies, and existing methods fail to reveal the hidden complex temporal variations and only extract features from one single time scale. To address the above issues, we propose FlightPatchNet, a multi-scale patch network with differential coding for flight trajectory prediction. Specifically, FlightPatchNet first utilizes the differential coding to encode the original values of longitude and latitude into first-order differences and generates embeddings for all variables at each time step. Then, a global temporal attention is introduced to explore the dependencies between different time steps. To fully explore the diverse temporal patterns in flight trajectories, a multi-scale patch network is delicately designed to serve as the backbone. The multi-scale patch network exploits stacked patch mixer blocks to capture inter- and intra-patch dependencies under different time scales, and further integrates multi-scale temporal features across different scales and variables. Finally, FlightPatchNet ensembles multiple predictors to make direct multi-step prediction. Extensive experiments on ADS-B datasets demonstrate that our model outperforms the competitive baselines. Code is available at: https://github.com/FlightTrajectoryResearch/FlightPatchNet.
Abstract（参考訳）: 正確な多段階飛行軌道予測は航空交通の安全を確保する航空交通制御において重要な役割を果たす。 2つの大きな問題は、既存の作業の飛行軌道予測性能を制限することである。第一の問題は、データ範囲の大きな違いに起因する予測精度に対する負の影響である。第二の問題は、現実の飛行軌道は時間的依存の根底にあるものであり、既存の手法は隠れた複雑な時間的変動を明らかにしず、1つの時間スケールからのみ特徴を抽出する。上記の問題に対処するため,フライトトラジェクトリ予測のための差分符号付きマルチスケールパッチネットワークであるFlightPatchNetを提案する。具体的には、FlightPatchNetはまず差分符号化を利用して、経度と緯度の最初の値を1次差分にエンコードし、各時間ステップですべての変数に対する埋め込みを生成する。そして、異なる時間ステップ間の依存関係を調べるために、グローバルな時間的注意が導入された。飛行軌道における多様な時間的パターンを十分に探求するために、マルチスケールパッチネットワークはバックボーンとして機能するように微妙に設計されている。マルチスケールパッチネットワークは、スタックされたパッチミキサーブロックを利用して、異なる時間スケールでパッチ間の依存関係をキャプチャし、異なるスケールと変数にわたってマルチスケールの時間的特徴を統合する。最後に、FlightPatchNetは複数の予測器をアンサンブルして直接多段階予測を行う。 ADS-Bデータセットの大規模な実験は、我々のモデルが競争ベースラインを上回っていることを示している。コードは、https://github.com/FlightTrajectoryResearch/FlightPatchNetで入手できる。

関連論文リスト

DRFormer: Multi-Scale Transformer Utilizing Diverse Receptive Fields for Long Time-Series Forecasting [3.420673126033772]
本稿では,動的スパース学習アルゴリズムを用いた動的トークン化手法を提案する。提案するDRFormerは,実世界の様々なデータセットを用いて評価し,既存の手法と比較して,その優位性を示す実験結果を得た。
論文参考訳（メタデータ） (2024-08-05T07:26:47Z)
Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文参考訳（メタデータ） (2024-05-27T22:15:23Z)
Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文参考訳（メタデータ） (2024-03-31T17:18:57Z)
PatchMixer: A Patch-Mixing Architecture for Long-Term Time Series Forecasting [3.7244649185886978]
本稿では,新しいCNNモデルであるPatchMixerを提案する。時間的情報を保存するために、置換不変な畳み込み構造を導入する。最先端のCNNと比べれば、PatchMixerは3.9%、相対的な改善は21.2%である。
論文参考訳（メタデータ） (2023-10-01T12:47:59Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
Spatiotemporal Propagation Learning for Network-Wide Flight Delay Prediction [17.632313431251383]
本研究では時空間分離可能な畳み込みネットワークである時空間ネットワーク(STP)を提案する。時間的依存性モデリングの関係から,複数種類の時間的依存性遅延時間について,エンドツーエンドで学習し,明確に推論できる多面的自己注意型手法を提案する。
論文参考訳（メタデータ） (2022-07-14T14:30:59Z)
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 Differential Attention Fusion Model Based on Transformer for Time Series Forecasting [4.666618110838523]
時系列予測は、機器ライフサイクル予測、天気予報、交通流予測などの分野で広く利用されている。一部の学者は、この強力な並列トレーニング能力のために、Transformerを時系列予測に適用しようと試みている。既存のTransformerメソッドは、予測において決定的な役割を果たす小さな時間セグメントに十分な注意を払わない。
論文参考訳（メタデータ） (2022-02-23T10:33:12Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。