論文の概要: Generation of synthetic delay time series for air transport applications

• arxiv url: http://arxiv.org/abs/2601.04279v1
• Date: Wed, 07 Jan 2026 12:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.856255
• Title: Generation of synthetic delay time series for air transport applications
• Title（参考訳）: 航空輸送用合成遅延時間系列の生成
• Authors: Pau Esteve, Massimiliano Zanin,
• Abstract要約: 我々は、空港で合成、現実的で、連続した遅延を発生させる問題に取り組みます。 具体的には、3つのモデルを比較し、そのうちの2つは、最先端のディープラーニングアルゴリズムと、単純化された遺伝的アルゴリズムのアプローチを比較した。 後者が、高変数を維持しながら、実数とほとんど区別できない時系列を生成する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generation of synthetic data is receiving increasing attention from the scientific community, thanks to its ability to solve problems like data scarcity and privacy, and is starting to find applications in air transport. We here tackle the problem of generating synthetic, yet realistic, time series of delays at airports, starting from large collections of operations in Europe and the US. We specifically compare three models, two of them based on state of the art Deep Learning algorithms, and one simplified Genetic Algorithm approach. We show how the latter can generate time series that are almost indistinguishable from real ones, while maintaining a high variability. We further validate the resulting time series in a problem of detecting delay propagations between airports. We finally make the synthetic data available to the scientific community.
• Abstract（参考訳）: 合成データの生成は、データの不足やプライバシーといった問題を解決する能力のおかげで、科学界から注目を集めている。 ここでは、ヨーロッパと米国における大規模なオペレーションの収集から始まり、空港で、合成的で現実的で、連続した遅延を発生させる問題に取り組みます。 具体的には、最先端のディープラーニングアルゴリズムに基づく2つのモデルと、単純化された1つの遺伝的アルゴリズムアプローチを比較した。 後者が、高変数を維持しながら、実数とほとんど区別できない時系列を生成する方法を示す。 さらに、空港間の遅延伝搬を検出する問題において、結果の時系列を検証した。 私たちはついに、合成データを科学コミュニティに公開しました。

関連論文リスト

• Scalable Time-Series Causal Discovery with Approximate Causal Ordering [5.430532390358285]
  時系列データにおける因果発見は、重要な計算上の課題を示す。 VarLiNGAM法は反復探索に依存し、各ステップの後に統計的依存関係を再計算する。 提案アルゴリズムは,標準実装よりも7-13倍の高速化を実現し,GPUアクセラレーション版より4.5倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-09-09T10:52:58Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• TransFusion: Generating Long, High Fidelity Time Series using Diffusion Models with Transformers [3.2623791881739033]
  本研究では,高品質な時系列時系列データを生成するための拡散・変圧器に基づく生成モデルであるTransFusionを提案する。 配列長を384に拡張し,高品質な合成データを生成した。
  論文  参考訳（メタデータ） (2023-07-24T10:14:51Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with Missing Values for Environmental Monitoring [0.0]
  センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。 計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T17:06:23Z)
• Spacecraft Anomaly Detection with Attention Temporal Convolution Network [19.127630728690534]
  時空間畳み込みネットワーク(TCN)に基づく宇宙船の時系列データに対する異常検出フレームワークを提案する。 まず、変数と時系列の間の複雑な相関をモデル化するために、動的グラフ注意を用いる。 第2に、並列処理能力を有する時間畳み込みネットワークを用いて、下流予測タスクのテキストカラーブルーを多次元的に抽出する。
  論文  参考訳（メタデータ） (2023-03-13T05:54:01Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。