論文の概要: Pre-Tactical Flight-Delay and Turnaround Forecasting with Synthetic Aviation Data
- arxiv url: http://arxiv.org/abs/2508.02294v1
- Date: Mon, 04 Aug 2025 11:04:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.304495
- Title: Pre-Tactical Flight-Delay and Turnaround Forecasting with Synthetic Aviation Data
- Title（参考訳）: 合成航空データによる飛行遅延予測とターンアラウンド予測
- Authors: Abdulmajid Murad, Massimiliano Ruocco,
- Abstract要約: 本稿では,機械学習モデルの学習において,合成データが実運用データを置き換えることができるかどうかを検討する。
我々は,3つの予測課題に基づいて,最先端の合成データ生成装置を4つ評価した。
以上の結果から,高度なニューラルネットワークアーキテクチャ,特にトランスフォーマーベースのジェネレータは,実データ予測性能の94～97%を維持できることがわかった。
- 参考スコア（独自算出の注目度）: 0.18416014644193066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Access to comprehensive flight operations data remains severely restricted in aviation due to commercial sensitivity and competitive considerations, hindering the development of predictive models for operational planning. This paper investigates whether synthetic data can effectively replace real operational data for training machine learning models in pre-tactical aviation scenarios-predictions made hours to days before operations using only scheduled flight information. We evaluate four state-of-the-art synthetic data generators on three prediction tasks: aircraft turnaround time, departure delays, and arrival delays. Using a Train on Synthetic, Test on Real (TSTR) methodology on over 1.7 million European flight records, we first validate synthetic data quality through fidelity assessments, then assess both predictive performance and the preservation of operational relationships. Our results show that advanced neural network architectures, specifically transformer-based generators, can retain 94-97% of real-data predictive performance while maintaining feature importance patterns informative for operational decision-making. Our analysis reveals that even with real data, prediction accuracy is inherently limited when only scheduled information is available-establishing realistic baselines for pre-tactical forecasting. These findings suggest that high-quality synthetic data can enable broader access to aviation analytics capabilities while preserving commercial confidentiality, though stakeholders must maintain realistic expectations about pre-tactical prediction accuracy given the stochastic nature of flight operations.
- Abstract（参考訳）: 包括的飛行操作データへのアクセスは、商業的感度と競争上の考慮から航空において厳しく制限されており、運用計画のための予測モデルの開発を妨げている。
本稿では,計画飛行情報のみを用いて,実運用データから実運用データを置き換えることができるかどうかを検討する。
我々は,航空機の旋回時間,出発遅延,到着遅延の3つの予測課題について,最先端の合成データ生成装置の評価を行った。
欧州における170万件以上のフライト記録に関するTrain on Synthetic, Test on Real (TSTR) 手法を用いて、我々はまず、忠実度評価を通じて合成データの品質を評価し、予測性能と運用上の関係の保存の両方を評価する。
以上の結果から,高度なニューラルネットワークアーキテクチャ,特にトランスフォーマーベースのジェネレータは,実データ予測性能の94～97%を維持しつつ,運用上の意思決定に有用な特徴重要パターンを維持できることが示唆された。
実データにおいても,予測精度は,事前予測のための現実的なベースラインを確立するために,スケジュール情報のみが利用可能である場合に本質的に制限されることがわかった。
これらの結果は、高品質な合成データにより、商業機密性を維持しながら、航空分析機能への広範なアクセスが可能になることを示唆している。
関連論文リスト
- Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。
XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2025-06-04T12:12:56Z) - Synthetic Aircraft Trajectory Generation Using Time-Based VQ-VAE [0.18416014644193066]
時間に基づくベクトル量子変分オートエンコーダ(TimeVQVAE)を適用したトラジェクトリ合成の新しい手法を提案する。
提案手法を応用したTimeVQVAEの評価には,品質,統計,分布測定,およびオープンソースの航空交通シミュレータを用いたフライアセスメントを応用した。
その結果、TimeVQVAEは時間的畳み込みVAalEベースラインよりも優れており、精度、時間的一貫性、統計特性の点で実際の飛行データを反映する合成軌道を生成することが示唆された。
論文 参考訳（メタデータ） (2025-04-12T06:46:51Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Learning Generative Models for Climbing Aircraft from Radar Data [0.0]
本稿では,標準航空機データ(BADA)モデルがデータから学習した推力の関数的補正によって強化された登山用航空機の生成モデルを提案する。
この手法には3つの特徴がある: BADAと比較すると66.3%の誤差で到着時刻を予測する; テストデータと比較すると現実的な軌道を生成する。
論文 参考訳（メタデータ） (2023-09-26T13:53:53Z) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳（メタデータ） (2021-11-04T21:58:11Z)
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。