論文の概要: A Predictive Services Architecture for Efficient Airspace Operations
- arxiv url: http://arxiv.org/abs/2503.17515v1
- Date: Fri, 21 Mar 2025 19:57:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:37:15.726804
- Title: A Predictive Services Architecture for Efficient Airspace Operations
- Title（参考訳）: 効率的な空域運用のための予測サービスアーキテクチャ
- Authors: Ítalo Romani de Oliveira, Samet Ayhan, Glaucia Balvedi, Michael Biglin, Pablo Costas, Euclides C. Pinto Neto, Alexandre Leite, Felipe C. F. de Azevedo,
- Abstract要約: 将来の空港容量と空域密度の正確な推定は、より良い空域管理に不可欠である。
データ管理とクエリ処理は、大量の高速航空交通データのために、依然として複雑である。
本稿では,大容量,非相関性,ノイズの多いストリーミングデータを取り込み,将来的な空域システム状態を予測するデータ処理および予測サービスアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 35.21388806827219
- License:
- Abstract: Predicting air traffic congestion and flow management is essential for airlines and Air Navigation Service Providers (ANSP) to enhance operational efficiency. Accurate estimates of future airport capacity and airspace density are vital for better airspace management, reducing air traffic controller workload and fuel consumption, ultimately promoting sustainable aviation. While existing literature has addressed these challenges, data management and query processing remain complex due to the vast volume of high-rate air traffic data. Many analytics use cases require a common pre-processing infrastructure, as ad-hoc approaches are insufficient. Additionally, linear prediction models often fall short, necessitating more advanced techniques. This paper presents a data processing and predictive services architecture that ingests large, uncorrelated, and noisy streaming data to forecast future airspace system states. The system continuously collects raw data, periodically compresses it, and stores it in NoSQL databases for efficient query processing. For prediction, the system learns from historical traffic by extracting key features such as airport arrival and departure events, sector boundary crossings, weather parameters, and other air traffic data. These features are input into various regression models, including linear, non-linear, and ensemble models, with the best-performing model selected for predictions. We evaluate this infrastructure across three prediction use cases in the US National Airspace System (NAS) and a segment of European airspace, using extensive real operations data, confirming that our system can predict future system states efficiently and accurately.
- Abstract（参考訳）: 航空交通渋滞の予測と流路管理は、航空会社や航空航法サービスプロバイダ(ANSP)にとって、運用効率を高めるために不可欠である。
将来の空港容量と空域密度の正確な推定は、空域管理の改善、航空管制官の作業量と燃料消費の削減、究極的には持続可能な航空の促進に不可欠である。
既存の文献ではこれらの課題に対処しているが、大量の高速航空交通データのために、データ管理とクエリ処理は複雑である。
多くの分析ユースケースは、アドホックアプローチが不十分であるため、共通の前処理インフラストラクチャを必要とする。
さらに、線形予測モデルは、しばしば不足し、より高度な技術を必要とする。
本稿では,大容量,非相関性,ノイズの多いストリーミングデータを取り込み,将来的な空域システム状態を予測するデータ処理および予測サービスアーキテクチャを提案する。
システムは生データを継続的に収集し、定期的に圧縮し、効率的なクエリ処理のためにNoSQLデータベースに格納する。
本システムは,空港到着や出発イベント,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抽出して,過去の交通情報から学習する。
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入力され、予測のために最良の性能モデルが選択される。
米国国立航空宇宙システム(NAS)と欧州空域の一部の3つの予測ユースケースにおいて,このインフラを広範囲の実運用データを用いて評価し,我々のシステムが将来のシステム状態を効率的に正確に予測できることを確認した。
関連論文リスト
- Graph machine learning for flight delay prediction due to holding manouver [0.0]
本研究は,グラフ問題としての保持操作による飛行遅延の予測をモデル化する。
我々は、高度なグラフ機械学習(Graph ML)技術を活用し、航空交通網の複雑な相互依存を捉える。
我々は、ユーザがリアルタイム遅延予測をシミュレートできるWebベースのツールを通じて、モデルが潜在的に運用に与える影響について論じる。
論文 参考訳（メタデータ） (2025-02-06T17:18:53Z) - Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。
単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
論文 参考訳（メタデータ） (2025-01-07T03:23:28Z) - 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) - Deep Reinforcement Learning for Real-Time Ground Delay Program Revision and Corresponding Flight Delay Assignments [24.09560293826079]
地上遅延プログラム(英語: Ground Delay Programs, GDP)は、航空交通管理(ATM)において、空港における容量の調整と不一致の要求に使用される一般的な交通管理イニシアチブである。
動作クローン(BC)と保守的Qラーニング(CQL)という2つのRLモデルを開発した。
これらのモデルは、地上および空中遅延と終端領域の混雑を統合した洗練された報酬関数を利用することで、GDP効率を向上させるように設計されている。
論文 参考訳（メタデータ） (2024-05-14T03:48:45Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - 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) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1～15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳（メタデータ） (2022-02-10T11:37:00Z) - 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。