論文の概要: Flight Delay Prediction via Cross-Modality Adaptation of Large Language Models and Aircraft Trajectory Representation

• arxiv url: http://arxiv.org/abs/2510.23636v1
• Date: Fri, 24 Oct 2025 12:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.303918
• Title: Flight Delay Prediction via Cross-Modality Adaptation of Large Language Models and Aircraft Trajectory Representation
• Title（参考訳）: 大規模言語モデルのクロスモーダル適応と航空機軌道表現による飛行遅延予測
• Authors: Thaweerath Phisannupawong, Joshua Julian Damanik, Han-Lim Choi,
• Abstract要約: 本稿では,軽量な大規模言語モデルに基づくマルチモーダル飛行遅延予測を提案する。 ターミナルエリアに入った後、航空機の遅延を監視する航空管制官の観点から定式化される。 この枠組みは,言語理解と軌跡情報の相互適応が組み合わさると,遅延予測が促進されることを実証する。
• 参考スコア（独自算出の注目度）: 1.7434507809930746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flight delay prediction has become a key focus in air traffic management, as delays highlight inefficiencies that impact overall network performance. This paper presents a lightweight large language model-based multimodal flight delay prediction, formulated from the perspective of air traffic controllers monitoring aircraft delay after entering the terminal area. The approach integrates trajectory representations with textual aeronautical information, including flight information, weather reports, and aerodrome notices, by adapting trajectory data into the language modality to capture airspace conditions. Experimental results show that the model consistently achieves sub-minute prediction error by effectively leveraging contextual information related to the sources of delay. The framework demonstrates that linguistic understanding, when combined with cross-modality adaptation of trajectory information, enhances delay prediction. Moreover, the approach shows practicality and scalability for real-world operations, supporting real-time updates that refine predictions upon receiving new operational information.
• Abstract（参考訳）: 遅延がネットワーク全体の性能に影響を与える非効率性を浮き彫りにするため、フライト遅延予測は航空交通管理において重要な焦点となっている。 本稿では, 航空機の遅延を観測する航空管制官の視点から, 軽量な大規模言語モデルに基づくマルチモーダル飛行遅延予測について述べる。 このアプローチは、軌跡データを言語モーダルに適応させることで、飛行情報、天気予報、航空報知など、テキストによる航空情報とトラジェクトリ表現を統合する。 実験結果から,遅延発生源に関する文脈情報を有効活用することにより,サブ分間の予測誤差を連続的に達成できることが示唆された。 この枠組みは,言語理解と軌跡情報の相互適応が組み合わさると,遅延予測が促進されることを実証する。 さらに,本手法は実世界の運用における実用性とスケーラビリティを示し,新たな運用情報の受信時に予測を洗練させるリアルタイム更新をサポートする。

関連論文リスト

• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• 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)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• 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)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• 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)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• 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。