論文の概要: Aeolus: A Multi-structural Flight Delay Dataset

• arxiv url: http://arxiv.org/abs/2510.26616v2
• Date: Fri, 31 Oct 2025 08:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 13:41:53.450873
• Title: Aeolus: A Multi-structural Flight Delay Dataset
• Title（参考訳）: Aeolus:多構造飛行遅延データセット
• Authors: Lin Xu, Xinyun Yuan, Yuxuan Liang, Suwan Yin, Yuankai Wu,
• Abstract要約: Aeolusは大規模なマルチモーダルフライト遅延データセットである。 飛行遅延予測の研究を進めるために設計された。 Aeolusは回帰、分類、時間構造モデリング、グラフ学習など幅広いタスクをサポートしている。
• 参考スコア（独自算出の注目度）: 41.17078926798434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Aeolus, a large-scale Multi-modal Flight Delay Dataset designed to advance research on flight delay prediction and support the development of foundation models for tabular data. Existing datasets in this domain are typically limited to flat tabular structures and fail to capture the spatiotemporal dynamics inherent in delay propagation. Aeolus addresses this limitation by providing three aligned modalities: (i) a tabular dataset with rich operational, meteorological, and airportlevel features for over 50 million flights; (ii) a flight chain module that models delay propagation along sequential flight legs, capturing upstream and downstream dependencies; and (iii) a flight network graph that encodes shared aircraft, crew, and airport resource connections, enabling cross-flight relational reasoning. The dataset is carefully constructed with temporal splits, comprehensive features, and strict leakage prevention to support realistic and reproducible machine learning evaluation. Aeolus supports a broad range of tasks, including regression, classification, temporal structure modeling, and graph learning, serving as a unified benchmark across tabular, sequential, and graph modalities. We release baseline experiments and preprocessing tools to facilitate adoption. Aeolus fills a key gap for both domain-specific modeling and general-purpose structured data research.Our source code and data can be accessed at https://github.com/Flnny/Delay-data
• Abstract（参考訳）: 本稿では,大規模多モードフライト遅延データセットであるAeolusを紹介する。 この領域の既存のデータセットは、通常平らな表構造に限られており、遅延伝播に固有の時空間的ダイナミクスを捉えることができない。 Aeolusはこの制限に3つの整列したモダリティを提供することで対処する。 (i)5000万回以上の飛行に対して、豊富な運用、気象、空港レベルの特徴を有する表表データセット 二 連続飛行脚に沿って遅延伝搬をモデル化し、上流及び下流の依存関係を捕捉するフライトチェーンモジュール 三 航空機、乗員及び空港の資源の共有を符号化し、飛行間の関係性推論を可能にする飛行網グラフ。 データセットは、リアルタイムかつ再現可能な機械学習評価をサポートするために、時間分割、包括的な機能、厳密な漏洩防止を備えた慎重に構築されている。 Aeolusは回帰、分類、時間構造モデリング、グラフ学習など幅広いタスクをサポートし、表、シーケンシャル、グラフのモダリティにわたって統一されたベンチマークとして機能する。 採用を促進するためのベースライン実験と前処理ツールをリリースします。 私たちのソースコードとデータはhttps://github.com/Flnny/Delay-dataでアクセスできます。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Adaptive Fuzzy Time Series Forecasting via Partially Asymmetric Convolution and Sub-Sliding Window Fusion [0.0]
  本稿では,スライディングウィンドウの時間に基づいて,部分的に非対称な設計を施した新しい畳み込みアーキテクチャを提案する。 提案手法は,一般的な時系列データセットのほとんどに対して,最先端の結果を得られる。
  論文  参考訳（メタデータ） (2025-07-28T08:58:25Z)
• 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)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Spatiotemporal Propagation Learning for Network-Wide Flight Delay Prediction [17.632313431251383]
  本研究では時空間分離可能な畳み込みネットワークである時空間ネットワーク(STP)を提案する。 時間的依存性モデリングの関係から,複数種類の時間的依存性遅延時間について,エンドツーエンドで学習し,明確に推論できる多面的自己注意型手法を提案する。
  論文  参考訳（メタデータ） (2022-07-14T14:30:59Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。