論文の概要: Generative Augmentation of Imbalanced Flight Records for Flight Diversion Prediction: A Multi-objective Optimisation Framework

• arxiv url: http://arxiv.org/abs/2604.20288v1
• Date: Wed, 22 Apr 2026 07:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.018831
• Title: Generative Augmentation of Imbalanced Flight Records for Flight Diversion Prediction: A Multi-objective Optimisation Framework
• Title（参考訳）: 飛行拡散予測のための不均衡飛行記録の生成増強:多目的最適化フレームワーク
• Authors: Karim Aly, Alexei Sharpanskykh, Jacco Hoekstra,
• Abstract要約: 飛行の転換はまれであるが、航空における高影響の出来事であり、安全性と運用効率の両方において信頼性の高い予測が不可欠である。 本研究は, モデルトレーニングを向上し, 予測精度を向上させるために, 生成モデルが合成ディバージョンレコードを用いて過去の飛行データを増大させる方法について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flight diversions are rare but high-impact events in aviation, making their reliable prediction vital for both safety and operational efficiency. However, their scarcity in historical records impedes the training of machine learning models utilised to predict them. This study addresses this scarcity gap by investigating how generative models can augment historical flight data with synthetic diversion records to enhance model training and improve predictive accuracy. We propose a multi-objective optimisation framework coupled with automated hyperparameter search to identify optimal configurations for three deep generative models: Tabular Variational Autoencoder (TVAE), Conditional Tabular Generative Adversarial Network (CTGAN), and CopulaGAN, with the Gaussian Copula (GC) model serving as a statistical baseline. The quality of the synthetic data was examined through a six-stage evaluation framework encompassing realism, diversity, operational validity, statistical similarity, fidelity, and predictive utility. Results show that the optimised models significantly outperform their non-optimised counterparts, and that synthetic augmentation substantially improves diversion prediction compared to models trained solely on real data. These findings demonstrate the effectiveness of hyperparameter-optimised generative models for advancing predictive modelling of rare events in air transportation.
• Abstract（参考訳）: 飛行の転換はまれであるが、航空における高影響の出来事であり、安全性と運用効率の両方において信頼性の高い予測が不可欠である。 しかし、歴史的記録におけるそれらの不足は、それらを予測するために使用される機械学習モデルのトレーニングを妨げている。 本研究は, モデルトレーニングを向上し, 予測精度を向上させるために, 生成モデルが合成反転記録を用いて過去の飛行データを増大させる方法について検討することによって, この空隙に対処する。 本稿では,自動ハイパーパラメータ探索と組み合わせた多目的最適化フレームワークを提案し,3つの深層生成モデルの最適構成を同定する: タララ変量自動符号化(TVAE),条件付きタララ生成適応ネットワーク(CTGAN),コプラGAN,および統計ベースラインとしてガウスコプラモデル(GC)。 合成データの質を,現実主義,多様性,運用上の妥当性,統計的類似性,忠実性,予測的有用性を含む6段階評価フレームワークを用いて検討した。 その結果、最適化されたモデルは、最適化されていないモデルよりも大幅に優れており、合成拡張は、実際のデータにのみ訓練されたモデルと比較して、ディバージョン予測を大幅に改善することが示された。 これらの結果から, 空気輸送における希少事象の予測モデル作成におけるハイパーパラメータ最適化生成モデルの有効性が示唆された。

関連論文リスト

• Synthetic Flight Data Generation Using Generative Models [0.0]
  本研究では,現実的な合成飛行データを生成するための生成モデルの可能性について検討する。 合成飛行データの必要性は、秘密の現実世界記録の代替となる可能性から生じる。 タブラル変分オートエンコーダ(TVAE)とガウスコプラ(GC)の2つの生成モデルを用いて合成飛行情報を生成する。
  論文  参考訳（メタデータ） (2026-04-22T07:46:23Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Boosting Statistic Learning with Synthetic Data from Pretrained Large Models [6.596689283714373]
  本稿では,ドメイン固有の統計的手法を用いて合成データを生成し,体系的にフィルタリングする新しいエンドツーエンドフレームワークを提案する。 実験では,様々な設定で予測性能が一貫した改善を示した。
  論文  参考訳（メタデータ） (2025-05-08T06:55:22Z)
• Golden Ratio Weighting Prevents Model Collapse [7.512957145774808]
  我々は、実データと合成データを統合するための最適なトレーニング戦略を開発する。 合成データの混合比と重み付け方式が最終モデルの性能に及ぼす影響を特徴付ける。 場合によっては、実データに割り当てられた最適な重みは、黄金比の逆数に対応する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:16Z)
• 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)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
  本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。 本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
  論文  参考訳（メタデータ） (2023-04-09T20:30:10Z)
• Developing a Hybrid Data-Driven, Mechanistic Virtual Flow Meter -- a Case Study [0.0]
  本研究は、上記の2つの専門分野の技術を生かしたハイブリッド・モデリング手法について検討し、良好な生産チョークをモデル化する。 チョークは、第1原理方程式の単純化されたセットとニューラルネットワークで表現され、弁流係数を推定する。
  論文  参考訳（メタデータ） (2020-02-07T12:35:33Z)

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。