論文の概要: Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity

• arxiv url: http://arxiv.org/abs/2507.13423v1
• Date: Thu, 17 Jul 2025 17:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.095637
• Title: Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity
• Title（参考訳）: グラフニューラルネットワークによる航空交通管制のタスク・デマンド:空域複雑度に対する解釈可能なアプローチ
• Authors: Edward Henderson, Dewi Gould, Richard Everson, George De Ath, Nick Pepper,
• Abstract要約: エアトラヒックコントロール(ATCO)タスク要求のリアルタイム評価は、ますます混み合った空域において重要な課題である。 この課題には,このギャップに対処する解釈可能なグラフニューラルネットワーク(GNN)フレームワークが導入されている。 我々は、航空機を系統的に非難し、模型の予測に与える影響を測定することによって、航空機ごとのタスク要求スコアを導出する。
• 参考スコア（独自算出の注目度）: 0.00448108533967507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time assessment of near-term Air Traffic Controller (ATCO) task demand is a critical challenge in an increasingly crowded airspace, as existing complexity metrics often fail to capture nuanced operational drivers beyond simple aircraft counts. This work introduces an interpretable Graph Neural Network (GNN) framework to address this gap. Our attention-based model predicts the number of upcoming clearances, the instructions issued to aircraft by ATCOs, from interactions within static traffic scenarios. Crucially, we derive an interpretable, per-aircraft task demand score by systematically ablating aircraft and measuring the impact on the model's predictions. Our framework significantly outperforms an ATCO-inspired heuristic and is a more reliable estimator of scenario complexity than established baselines. The resulting tool can attribute task demand to specific aircraft, offering a new way to analyse and understand the drivers of complexity for applications in controller training and airspace redesign.
• Abstract（参考訳）: 航空交通管制官(ATCO)のタスク要求のリアルタイム評価は、空域が混雑する中で重要な課題である。 この課題には,このギャップに対処する解釈可能なグラフニューラルネットワーク(GNN)フレームワークが導入されている。 我々の注意に基づくモデルは、静的交通シナリオ内の相互作用から、ATCOによる航空機への指示である、今後のクリアランスの数を予測する。 重要なことは、航空機を体系的に非難し、モデルの予測に与える影響を測定することによって、航空機ごとのタスク要求スコアを解釈可能とする。 我々のフレームワークはATCOにインスパイアされたヒューリスティックを著しく上回り、既存のベースラインよりもシナリオの複雑さを推定する信頼性が高い。 このツールはタスクの要求を特定の航空機に当てはめ、コントローラーのトレーニングや空域再設計の応用における複雑さの要因を分析し、理解する新しい方法を提供する。

関連論文リスト

• AirTrafficGen: Configurable Air Traffic Scenario Generation with Large Language Models [0.004807514276707785]
  本稿では,複雑な航空交通制御シナリオを生成するためのエンドツーエンドアプローチを提案する。 本手法では,セクタートポロジを符号化するためにグラフベースの目的表現を用いる。 Gemini 2.5 ProやOpenAI o3のような最先端のモデルでは,高トラフィックのシナリオが生成可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-04T10:21:47Z)
• 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)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Air Traffic Controller Workload Level Prediction using Conformalized Dynamical Graph Learning [3.622365857213782]
  我々は,ATCoのワークロードレベルを特定するために,共形予測を備えたグラフベースのディープラーニングフレームワークを提案する。 実験の結果, (a) 交通密度特性に加えて, 交通競合特性が作業負荷予測機能に寄与していることが示唆された。
  論文  参考訳（メタデータ） (2023-07-20T03:54:47Z)
• Integrating spoken instructions into flight trajectory prediction to optimize automation in air traffic control [20.718663626382995]
  現在の航空交通管制システムでは、交通予測のための音声指示を考慮できない。 本稿では,制御意図を情報処理ループに統合する自動化パラダイムを提案する。 3段階のプログレッシブ・マルチモーダル・ラーニング・パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-02T08:28:55Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• 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。