論文の概要: Dual-Temporal LSTM with Hybrid Attention for Airline Passenger Load Factor Forecasting: Integrating Intra-Flight and Inter-Flight Booking Dynamics

• arxiv url: http://arxiv.org/abs/2605.11569v1
• Date: Tue, 12 May 2026 05:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.611755
• Title: Dual-Temporal LSTM with Hybrid Attention for Airline Passenger Load Factor Forecasting: Integrating Intra-Flight and Inter-Flight Booking Dynamics
• Title（参考訳）: 航空機乗客負荷要因予測のためのハイブリッド注意付きデュアルテンポラルLSTM:飛行内および飛行間予約のダイナミクスの統合
• Authors: ASM Nazrul Islam, Md. Hasanul Kabir, Md. Liakot Ali, Joydeb Kumar Sana,
• Abstract要約: 短期需要予測は航空会社の収益管理に不可欠である。 現在のモデルは予約データを1つの時間次元として扱う。 注目フレームワークと統合された2ストリーム長短期記憶(LSTM)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term demand forecasting is crucial to airline revenue management, yet most existing systems fail to meet this need because current models treat booking data as a single temporal dimension, either the accumulation of bookings for a specific flight or the historical booking profile of the same route. This unidimensional view discards information carried by the other temporal stream and forecasting absolute passenger counts introduces a further operational fragility when change in planned aircraft type alters total seat capacity. This study addresses both limitations. A dual-stream Long Short-Term Memory (LSTM) integrated with attention framework is proposed that simultaneously processes two complementary input sequences: a horizontal sequence capturing intra-flight booking accumulation over the days preceding departure, and a vertical sequence capturing inter-flight booking patterns at fixed days-before-departure offsets across historical flights. Multiple dual-stream architectural variants, combining self-attention, cross-attention, and hybrid attention with concatenation, residual, and gated fusion strategies, are developed and evaluated. Experiments on real-world reservation data from the national airline of Bangladesh, Biman Bangladesh Airlines (BBA), demonstrate that the proposed hybrid model achieves a Mean Absolute Error of 2.8167 and a coefficient of determination ($R^{2}$) of 0.9495, outperforming single-stream baselines, tree-based models, and three prior dual-LSTM architectures applied to the same data. Validation across four flight category pairs; domestic versus international, direct versus transit, high versus low frequency, and short versus mid versus long haul confirms that the model generalizes across operationally diverse route types. Biman Bangladesh Airlines (BBA) has officially integrated this methodology into its operations.
• Abstract（参考訳）: 正確な短期需要予測は航空会社の収益管理に不可欠であるが、現在のモデルでは予約データを1つの時間次元として扱うため、特定のフライトの予約の蓄積や、同じルートの履歴予約プロファイルを取り扱うため、既存のシステムのほとんどはこのニーズを満たすことができない。 この一次元ビューは、他の時空流によって運ばれる情報を破棄し、絶対旅客数を予測することで、計画された航空機の種類の変化が全座席容量を変化させたとき、さらなる運用上の脆弱性をもたらす。 この研究は両方の限界に対処する。 本手法では, 飛行前日, 飛行前日, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間, 所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所要時間、所、所要 自己アテンション, クロスアテンション, ハイブリッドアテンションを結合, 残留, ゲート融合戦略と組み合わせたマルチストリームアーキテクチャを開発, 評価した。 バングラデシュのビマン・バングラデシュ航空(BBA)による実世界の予約データに関する実験では、提案されたハイブリッドモデルは平均絶対誤差2.8167と決定係数0.9495を達成し、単一ストリームベースライン、ツリーベースモデル、および3つの以前のデュアルLSTMアーキテクチャを同じデータに適用した。 国内と国際、直接対トランジット、高対低周波、短対中対長航法という4つのカテゴリーにまたがる検証では、このモデルが運用上多様なルートタイプにまたがって一般化されることが確認されている。 ビーマン・バングラデシュ航空(BBA)はこの方法論を公式に運用に統合した。

関連論文リスト

• Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series [18.436517695059347]
  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。
  論文  参考訳（メタデータ） (2026-03-05T12:05:15Z)
• Airport Passenger Flow Forecasting via Deformable Temporal-Spectral Transformer Approach [20.9406592821593]
  本稿では,変形可能な時間スペクトル変換器DTSFormerを提案する。 入力シーケンスは、新しいウィンドウ関数ベースのマスキングを介して、時間パッチに分割される。 各スケール内では、高周波数成分と低周波数成分の両方を捕捉する周波数領域アテンション機構が設計されている。
  論文  参考訳（メタデータ） (2025-12-04T02:45:49Z)
• Research on Metro Transportation Flow Prediction Based on the STL-GRU Combined Model [2.661114116085898]
  本稿では,Loses (STL) 法と Gated Recurrent Unit (GRU) を用いた季節・トレンド分解を統合したメトロトランスファー乗客フロー予測モデルを提案する。 その結果,Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) およびSTL時系列分解法とLong Short-Term Memory (STL-LSTM) の併用モデルと比較すると,STL-GRU複合予測モデルでは平日における転送旅客フローの予測精度が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-12T12:23:26Z)
• On-the-Fly Adaptive Distillation of Transformer to Dual-State Linear Attention [53.22963042513293]
  大規模言語モデル(LLM)は、自己アテンションを通じてグローバルトークンの依存関係をキャプチャするが、長い入力に対する計算とメモリコストに直面する。 まず,二状態線形注意(Dual-state linear attention, A)を提案する。これは2つの隠れ状態を保持する設計であり,その1つは,リニアアテンションアーキテクチャの典型的な短距離バイアスを緩和し,リニアアテンションを追尾するものである。 本稿では,DSLA層を段階的に置き換えるオンライン適応蒸留フレームワークであるDSLA-Serveを紹介する。
  論文  参考訳（メタデータ） (2025-06-11T01:25:06Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Decision Support Models for Predicting and Explaining Airport Passenger Connectivity from Data [4.613211668370363]
  本稿では,接続飛行管理の異なる段階を対象とした機械学習に基づく意思決定支援モデルを提案する。 フライトや乗客の履歴データを用いて、航空会社のハブ空港におけるフライト接続の欠落を予測した。
  論文  参考訳（メタデータ） (2021-11-02T22:08:39Z)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• Spatio-Temporal Data Mining for Aviation Delay Prediction [15.621546618044173]
  本研究では,商業飛行における長期記憶ネットワーク(LSTM)に基づく航空機遅延予測システムを提案する。 このシステムは、自動監視放送(ADS-B)メッセージから歴史的軌跡から学習する。 従来と比べ,大規模なハブ空港ではより堅牢で正確であることが実証された。
  論文  参考訳（メタデータ） (2021-03-20T18:37:06Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。