論文の概要: Unlocking air traffic flow prediction through microscopic aircraft-state modeling

• arxiv url: http://arxiv.org/abs/2605.10083v1
• Date: Mon, 11 May 2026 07:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 02:24:05.549107
• Title: Unlocking air traffic flow prediction through microscopic aircraft-state modeling
• Title（参考訳）: 微視的航空機状態モデリングによる空気流のアンロック予測
• Authors: Bin Wang, Anqi Liu, Jiangtao Zhao, Yanyong Huang, Peilan He, Guiyuan Jiang, Feng Hong, Yanwei Yu, Tianrui Li,
• Abstract要約: 本稿では,時空の状況から直接,将来的な交通の流れを予測する状態からフローまでのモデリングフレームワークであるAeroSenseを紹介する。 大規模な実世界のデータセットの実験では、AeroSenseは集約ベースの予測アプローチよりも予測精度を一貫して改善している。
• 参考スコア（独自算出の注目度）: 32.3411287446595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Short-term air traffic flow prediction in terminal airspace is essential for proactive air traffic management. Existing approaches predominantly model traffic flow as aggregated time series, despite traffic dynamics being governed by aircraft states and interactions in continuous airspace. Such aggregation obscures fine-grained information including aircraft kinematics, boundary interactions, and control intent. Here we present AeroSense, a state-to-flow modeling framework that predicts future traffic flow directly from instantaneous airspace situations represented as dynamic sets of aircraft states derived from ADS-B trajectories. By establishing an end-to-end mapping from microscopic aircraft states to future regional traffic flow, AeroSense preserves aircraft-level dynamics while naturally accommodating varying traffic density without relying on historical look-back windows. Experiments on a large-scale real-world dataset show that AeroSense consistently improves predictive accuracy over aggregation-based forecasting approaches, particularly during high-density traffic periods. These findings suggest that instantaneous airspace situations provide an effective alternative to conventional time-series-based traffic forecasting paradigms.
• Abstract（参考訳）: 終端空域における航空交通流の短期予測は,積極的な航空交通管理に不可欠である。 既存のアプローチは主に、航空機の状態と連続した空域での相互作用によって制御される交通力学にもかかわらず、集約された時系列としてトラフィックフローをモデル化する。 このような集合は、航空機の運動学、境界相互作用、制御意図などの細かい情報を隠蔽する。 本稿では,ADS-Bトラジェクトリから派生した航空機状態の動的集合として表される瞬間的空域状況から直接,将来の交通の流れを予測する状態間モデリングフレームワークであるAeroSenseについて述べる。 微視的航空機状態から将来的な地域交通の流れへのエンドツーエンドマッピングを確立することで、AeroSenseは航空機レベルのダイナミクスを保ちながら、歴史的な見返り窓に頼ることなく、様々な交通密度を自然に調節する。 大規模な実世界のデータセットの実験では、AeroSenseは集約ベースの予測アプローチよりも、特に高密度のトラフィック期間において、常に予測精度を向上している。 これらの結果から,時空の状況が従来の時系列に基づく交通予測のパラダイムに代わる効果的な代替手段となることが示唆された。

関連論文リスト

• From Time Series to State: Situation-Aware Modeling for Air Traffic Flow Prediction [28.381858327505828]
  航空交通予測のための直接状態間モデリングフレームワークである textitAeroSense を提案する。 エアロセンス(AeroSense)は、航空機の状態のテキストタダイナミックセットとしてリアルタイムの航空状況を表しており、可変数の航空機の直接処理を可能にする。 大規模な実世界の空港データセットの実験は、AeroSenseが常に最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-04-13T08:54:19Z)
• ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
  ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。 ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
  論文  参考訳（メタデータ） (2026-03-17T14:16:10Z)
• Probabilistic Multi-Agent Aircraft Landing Time Prediction [3.7755043254577654]
  本稿では,複数の航空機の着陸時間を分布として提供する確率的マルチエージェント航空機着陸時間予測フレームワークを提案する。 韓国の仁川国際空港のターミナル空域から収集した航空交通監視データセットを用いて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2025-12-09T06:27:26Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
  過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。 正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。 本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T02:16:02Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。