論文の概要: Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series

• arxiv url: http://arxiv.org/abs/2603.05092v1
• Date: Thu, 05 Mar 2026 12:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.215158
• Title: Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series
• Title（参考訳）: オーラ: 航空時系列のためのユニバーサル多次元外因性統合
• Authors: Jiafeng Lin, Mengren Zheng, Simeng Ye, Yuxuan Wang, Huan Zhang, Yuhui Liu, Zhongyi Pei, Jianmin Wang,
• Abstract要約: 我々は,対象時系列とのインタラクションモードに従って異種外部情報を整理,エンコードする汎用フレームワークであるAuraを提案する。 本研究は,Auraが航空安全・信頼性を汎用的に向上する可能性を示すものである。
• 参考スコア（独自算出の注目度）: 18.436517695059347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting has witnessed an increasing demand across diverse industrial applications, where accurate predictions are pivotal for informed decision-making. Beyond numerical time series data, reliable forecasting in practical scenarios requires integrating diverse exogenous factors. Such exogenous information is often multi-dimensional or even multimodal, introducing heterogeneous interactions that unimodal time series models struggle to capture. In this paper, we delve into an aviation maintenance scenario and identify three distinct types of exogenous factors that influence temporal dynamics through distinct interaction modes. Based on this empirical insight, we propose Aura, a universal framework that explicitly organizes and encodes heterogeneous external information according to its interaction mode with the target time series. Specifically, Aura utilizes a tailored tripartite encoding mechanism to embed heterogeneous features into well-established time series models, ensuring seamless integration of non-sequential context. Extensive experiments on a large-scale, three-year industrial dataset from China Southern Airlines, covering the Boeing 777 and Airbus A320 fleets, demonstrate that Aura consistently achieves state-of-the-art performance across all baselines and exhibits superior adaptability. Our findings highlight Aura's potential as a general-purpose enhancement for aviation safety and reliability.
• Abstract（参考訳）: 時系列予測は、様々な産業アプリケーションに対する需要の増加を目撃しており、正確な予測は情報的な意思決定に欠かせない。 数値時系列データ以外にも、実用シナリオにおける信頼できる予測には多様な外因性因子を統合する必要がある。 このような外因性情報は、しばしば多次元またはマルチモーダルであり、不定形時系列モデルが捉えるのに苦労する異種相互作用を導入する。 本稿では,航空整備のシナリオを掘り下げ,異なる相互作用モードを通じて時間的ダイナミクスに影響を与える3種類の外因性因子を同定する。 この経験的洞察に基づいて、ターゲット時系列との相互作用モードに従って異種外部情報を明示的に整理・符号化する普遍的なフレームワークであるAuraを提案する。 具体的には、Auraは整列された三部構造符号化機構を使用して、不均一な特徴を確立された時系列モデルに組み込んで、非順序コンテキストのシームレスな統合を保証する。 ボーイング777とエアバスA320を網羅する中国南航空の大規模な3年間の産業データセットに関する大規模な実験は、Auraがすべてのベースラインで常に最先端のパフォーマンスを達成し、優れた適応性を示すことを実証している。 本研究は,Auraが航空安全・信頼性を汎用的に向上する可能性を示すものである。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Knowledge-Guided Adaptive Mixture of Experts for Precipitation Prediction [9.508961267296579]
  本稿では,降水率予測に適した適応混合専門家モデル(MoE)を提案する。 モデル内の各専門家は、特定のモダリティまたは降水時間パターンを専門とする。 対話型Webベースの可視化ツールを導入し、ユーザーは時間と空間を通じて、過去の気象パターンを直感的に探索できる。
  論文  参考訳（メタデータ） (2025-09-14T22:31:46Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window [0.0]
  本稿では,時系列予測の問題に対処するために提案手法を提案する。 現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。 パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
  論文  参考訳（メタデータ） (2023-01-31T15:07:31Z)
• 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)
• An Enhanced Adversarial Network with Combined Latent Features for Spatio-Temporal Facial Affect Estimation in the Wild [1.3007851628964147]
  本稿では,遅延特徴に基づく時間的モデリングにより,空間的特徴と時間的特徴の両方を効率的に抽出する新しいモデルを提案する。 提案モデルは3つの主要ネットワークから成り,造語生成器,判別器,コンビネータを用いて,適応型アテンションモジュールを実現するために,敵対的な学習環境において訓練を行う。
  論文  参考訳（メタデータ） (2021-02-18T04:10:12Z)

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。