論文の概要: Data-driven jet fuel demand forecasting: A case study of Copenhagen Airport

• arxiv url: http://arxiv.org/abs/2511.05569v1
• Date: Tue, 04 Nov 2025 11:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.453389
• Title: Data-driven jet fuel demand forecasting: A case study of Copenhagen Airport
• Title（参考訳）: データ駆動型ジェット燃料需要予測:コペンハーゲン空港を事例として
• Authors: Alessandro Contini, Davide Cacciarelli, Murat Kulahci,
• Abstract要約: デンマークの大手航空燃料流通業者から得られた大量のデータを用いて,データ駆動型アプローチの性能評価を行った。 本分析では,従来の時系列モデル,Prophet,LSTMシーケンス・ツー・シーケンスニューラルネットワーク,ハイブリッドモデルの予測能力を比較した。 データ駆動アプローチの信頼性を確保し、実践者に貴重な洞察を提供するために、3つの異なるデータセットを分析します。
• 参考スコア（独自算出の注目度）: 43.17090130312271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of jet fuel demand is crucial for optimizing supply chain operations in the aviation market. Fuel distributors specifically require precise estimates to avoid inventory shortages or excesses. However, there is a lack of studies that analyze the jet fuel demand forecasting problem using machine learning models. Instead, many industry practitioners rely on deterministic or expertise-based models. In this research, we evaluate the performance of data-driven approaches using a substantial amount of data obtained from a major aviation fuel distributor in the Danish market. Our analysis compares the predictive capabilities of traditional time series models, Prophet, LSTM sequence-to-sequence neural networks, and hybrid models. A key challenge in developing these models is the required forecasting horizon, as fuel demand needs to be predicted for the next 30 days to optimize sourcing strategies. To ensure the reliability of the data-driven approaches and provide valuable insights to practitioners, we analyze three different datasets. The primary objective of this study is to present a comprehensive case study on jet fuel demand forecasting, demonstrating the advantages of employing data-driven models and highlighting the impact of incorporating additional variables in the predictive models.
• Abstract（参考訳）: 航空市場におけるサプライチェーン運用の最適化には,ジェット燃料需要の正確な予測が不可欠である。 燃料流通業者は在庫不足や過剰を避けるために正確に見積もる必要がある。 しかし, 機械学習モデルを用いてジェット燃料需要予測問題を分析する研究は乏しい。 代わりに、多くの業界実践者は決定論的または専門的なモデルに依存している。 本研究では,デンマークの大手航空燃料流通業者から得られた大量のデータを用いて,データ駆動型アプローチの性能を評価する。 本分析では,従来の時系列モデル,Prophet,LSTMシーケンス・ツー・シーケンスニューラルネットワーク,ハイブリッドモデルの予測能力を比較した。 これらのモデルを開発する上で重要な課題は、ソーシング戦略を最適化するために、今後30日間の燃料需要を予測する必要があるため、必要な予測水平線である。 データ駆動アプローチの信頼性を確保し、実践者に貴重な洞察を提供するために、3つの異なるデータセットを分析します。 本研究の目的は, ジェット燃料需要予測に関する総合的なケーススタディを提示し, データ駆動モデルの導入の利点を実証し, 予測モデルに追加変数を組み込むことの影響を明らかにすることである。

関連論文リスト

• Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation [0.0]
  本研究は, 産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処するものである。 短時間負荷予測(STLF)と短時間負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し比較した。
  論文  参考訳（メタデータ） (2025-06-04T12:01:11Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Towards Universal Large-Scale Foundational Model for Natural Gas Demand Forecasting [12.60741035434783]
  本稿では,天然ガス需要予測に適した基礎モデルを提案する。 提案手法は,現実シナリオの予測精度を向上させるために,コントラスト学習を利用する。 ENNグループによる大規模データセットを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-09-24T06:44:29Z)
• Time series forecasting with high stakes: A field study of the air cargo industry [3.8335551408225967]
  本稿では,航空貨物業界における意思決定における機械学習モデルの開発と実装に焦点を当てる。 我々は、統計的および高度なディープラーニングモデルを組み合わせて、6ヶ月の地平線上で貨物需要の信頼できる予測を提供する専門家フレームワークの混合を活用している。
  論文  参考訳（メタデータ） (2024-07-29T17:19:40Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• 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)

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。