論文の概要: MAIFormer: Multi-Agent Inverted Transformer for Flight Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2509.21004v1
• Date: Thu, 25 Sep 2025 10:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.853873
• Title: MAIFormer: Multi-Agent Inverted Transformer for Flight Trajectory Prediction
• Title（参考訳）: MAIFormer:飛行軌道予測のための多エージェント逆変換器
• Authors: Seokbin Yoon, Keumjin Lee,
• Abstract要約: Multi-Agent Inverted Transformer MAIFormerは、マルチエージェントの飛行軌跡を予測する新しいニューラルネットワークである。 我々は,MAIFormerを実世界における自動監視ブロードキャストフライトトラジェクトリデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flight trajectory prediction for multiple aircraft is essential and provides critical insights into how aircraft navigate within current air traffic flows. However, predicting multi-agent flight trajectories is inherently challenging. One of the major difficulties is modeling both the individual aircraft behaviors over time and the complex interactions between flights. Generating explainable prediction outcomes is also a challenge. Therefore, we propose a Multi-Agent Inverted Transformer, MAIFormer, as a novel neural architecture that predicts multi-agent flight trajectories. The proposed framework features two key attention modules: (i) masked multivariate attention, which captures spatio-temporal patterns of individual aircraft, and (ii) agent attention, which models the social patterns among multiple agents in complex air traffic scenes. We evaluated MAIFormer using a real-world automatic dependent surveillance-broadcast flight trajectory dataset from the terminal airspace of Incheon International Airport in South Korea. The experimental results show that MAIFormer achieves the best performance across multiple metrics and outperforms other methods. In addition, MAIFormer produces prediction outcomes that are interpretable from a human perspective, which improves both the transparency of the model and its practical utility in air traffic control.
• Abstract（参考訳）: 複数の航空機の飛行軌道予測は不可欠であり、航空機が現在の航空交通の流れの中でどのように航行するかに関する重要な洞察を提供する。 しかし、マルチエージェント飛行軌道の予測は本質的に困難である。 最大の課題の1つは、時間とともに個々の航空機の挙動と飛行間の複雑な相互作用の両方をモデル化することである。 説明可能な予測結果の生成も課題である。 そこで本研究では,マルチエージェントの飛行軌跡を予測するニューラルネットワークとして,MAIFormerを提案する。 提案するフレームワークには,2つの重要な注目モジュールがある。 一 個々の航空機の時空間パターンを捉えた多変量注意 (II)複雑な航空交通シーンにおける複数のエージェント間の社会的パターンをモデル化するエージェントアテンション。 韓国のインチョン国際空港のターミナル空域から,MAIFormerを実世界における自動監視・ブロードキャスト飛行トラジェクトリデータセットを用いて評価した。 実験の結果、MAIFormerは複数のメトリクスで最高のパフォーマンスを達成し、他のメソッドよりも優れています。 さらに,MAIFormerは人間の視点で解釈可能な予測結果を生成し,航空交通管制におけるモデルの透明性と実用性を両立させる。

関連論文リスト

• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• Amelia: A Large Dataset and Model for Airport Surface Movement Forecasting [12.224871624454943]
  Ameliaフレームワークは4つの重要なコントリビューションで構成されている。 まず、Amelia-48はFAAのシステムワイド・インフォメーション・マネジメント(SWIM)プログラムを通じて収集された空港表面の動きの大規模なデータセットである。 第2に,マルチエージェント・マルチエアポート軌道予測のための大規模トランスフォーマーベースラインであるAmeliaTFを開発した。 第3に,Amelia-10は10の空港から292日間の処理後データからなる訓練と評価のベンチマークである。
  論文  参考訳（メタデータ） (2024-07-30T20:50:48Z)
• FlightPatchNet: Multi-Scale Patch Network with Differential Coding for Flight Trajectory Prediction [10.891498306893103]
  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。
  論文  参考訳（メタデータ） (2024-05-25T12:15:56Z)
• MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying [110.83590008788745]
  自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。 本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。 最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。 複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-06-30T16:23:04Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
  軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。 本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。 複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-12T16:23:27Z)
• 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)
• Flight Demand Forecasting with Transformers [0.0]
  この研究は、より良いデータソースと堅牢な予測アルゴリズムという2つの重要な側面から予測精度を改善することを目指している。 変圧器の成功に触発された我々は,複数の地平線における戦略的出発需要を予測するために,この手法を採用した。 ケーススタディでは、TFTは従来の予測手法よりも大きなマージンで優れた性能を発揮することが示されている。
  論文  参考訳（メタデータ） (2021-11-04T22:00:12Z)
• 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。