論文の概要: Efficient Real-Time Aircraft ETA Prediction via Feature Tokenization Transformer
- arxiv url: http://arxiv.org/abs/2508.09144v1
- Date: Thu, 31 Jul 2025 03:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-17 22:58:06.173043
- Title: Efficient Real-Time Aircraft ETA Prediction via Feature Tokenization Transformer
- Title（参考訳）: 特徴Tokenization Transformerによる高効率リアルタイム航空機ETA予測
- Authors: Liping Huang, Yicheng Zhang, Yifang Yin, Sheng Zhang, Yi Zhang,
- Abstract要約: 航空機の到着時刻(ETA)は航空機の到着管理に不可欠である。
本研究では,特徴トークン化に基づくトランスフォーマーモデルを用いて,航空機のETAを効率的に予測する。
データサンプリングレート1HZでは、ETA予測が毎秒更新される。
- 参考スコア（独自算出の注目度）: 17.277512318874457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimated time of arrival (ETA) for airborne aircraft in real-time is crucial for arrival management in aviation, particularly for runway sequencing. Given the rapidly changing airspace context, the ETA prediction efficiency is as important as its accuracy in a real-time arrival aircraft management system. In this study, we utilize a feature tokenization-based Transformer model to efficiently predict aircraft ETA. Feature tokenization projects raw inputs to latent spaces, while the multi-head self-attention mechanism in the Transformer captures important aspects of the projections, alleviating the need for complex feature engineering. Moreover, the Transformer's parallel computation capability allows it to handle ETA requests at a high frequency, i.e., 1HZ, which is essential for a real-time arrival management system. The model inputs include raw data, such as aircraft latitude, longitude, ground speed, theta degree for the airport, day and hour from track data, the weather context, and aircraft wake turbulence category. With a data sampling rate of 1HZ, the ETA prediction is updated every second. We apply the proposed aircraft ETA prediction approach to Singapore Changi Airport (ICAO Code: WSSS) using one-month Automatic Dependent Surveillance-Broadcast (ADS-B) data from October 1 to October 31, 2022. In the experimental evaluation, the ETA modeling covers all aircraft within a range of 10NM to 300NM from WSSS. The results show that our proposed method method outperforms the commonly used boosting tree based model, improving accuracy by 7\% compared to XGBoost, while requiring only 39\% of its computing time. Experimental results also indicate that, with 40 aircraft in the airspace at a given timestamp, the ETA inference time is only 51.7 microseconds, making it promising for real-time arrival management systems.
- Abstract（参考訳）: 航空機の到着時刻(ETA)は航空機の到着管理、特に滑走路シークエンシングにおいて重要である。
急速に変化する空域状況を考えると、ETA予測効率はリアルタイムの航空機管理システムにおける精度と同じくらい重要である。
本研究では,特徴トークン化に基づくトランスフォーマーモデルを用いて,航空機のETAを効率的に予測する。
特徴トークン化は潜在空間に生の入力を投影するが、Transformerのマルチヘッド自己保持機構は投影の重要な側面を捉え、複雑な特徴工学の必要性を軽減する。
さらに、Transformerの並列計算能力により、リアルタイムの到着管理システムに不可欠な1HZという高頻度のETAリクエストを処理できる。
モデル入力には、航空機の緯度、経度、地上速度、空港の高度、トラックデータからの日時、気象状況、航空機のウェイク乱流などの生データが含まれる。
データサンプリングレート1HZでは、ETA予測が毎秒更新される。
2022年10月1日から10月31日までのADS-B(Automatic Dependent Surveillance-Broadcast)データを用いて,シンガポール・チャンギ空港(ICAOコード:WSSS)にETA予測手法を適用した。
実験的な評価では、ETAモデリングはWSSSから10NMから300NMの範囲の全航空機をカバーする。
提案手法は,XGBoostに比べて精度を7倍向上させるとともに,計算時間の39倍しか必要としない。
実験の結果、所定のタイムスタンプで飛行空間に40機の航空機がある場合、ETA推論時間は51.7マイクロ秒に過ぎず、リアルタイムの到着管理システムに期待できることが示された。
関連論文リスト
- 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) - Aircraft Landing Time Prediction with Deep Learning on Trajectory Images [18.536109188450876]
本研究では、終端空域(TMA)をカバーする研究空域に突入する航空機のALTを予測するために、軌道画像に基づく深層学習手法を提案する。
軌道画像には航空機の位置、速度、進路、相対距離、到着する交通の流れなど様々な情報が含まれている。
また,軌道データから得られた実時間滑走路の利用状況と,航空機の種類や気象条件などの外部情報を付加入力として利用する。
論文 参考訳（メタデータ） (2024-01-02T07:56:05Z) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - AZTR: Aerial Video Action Recognition with Auto Zoom and Temporal
Reasoning [63.628195002143734]
本稿では,空中映像の行動認識のための新しい手法を提案する。
提案手法は,UAVを用いて撮影したビデオに対して設計されており,エッジやモバイルデバイス上でも動作可能である。
我々は、カスタマイズされたオートズームを使用して、人間のターゲットを自動的に識別し、適切にスケールする学習ベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-02T21:24:19Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional
Network and Airport Situational Awareness Map [20.579487904188802]
空港に適用可能な高い予測精度を実現するためのビジョンベースソリューションを提案する。
本稿では,状況認識マップから空間的情報と時間的情報の両方をキャプチャする,エンドツーエンドのディープラーニングアーキテクチャであるTrajCNNを提案する。
提案手法は,ロサンゼルス国際空港での発着遅延の予測に有効である(約18分遅れ)。
論文 参考訳（メタデータ） (2021-05-19T07:38:57Z) - 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)
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。