論文の概要: Data-Driven Runway and Taxiway Exits Prediction of Landing Aircraft: A Case Study at Hartsfield-Jackson Atlanta International Airport

• arxiv url: http://arxiv.org/abs/2606.11017v1
• Date: Tue, 09 Jun 2026 15:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.594173
• Title: Data-Driven Runway and Taxiway Exits Prediction of Landing Aircraft: A Case Study at Hartsfield-Jackson Atlanta International Airport
• Title（参考訳）: データ駆動型滑走路とタクシーウェイによる着陸機の流出予測:ハーツフィールド・ジャクソン・アトランタ国際空港を事例として
• Abstract要約: 本研究は、ハーツフィールド・ジャクソン・アトランタ国際空港(KATL)の入港決定について検討する。 コントローラワークフローを反映する2段階のデータ駆動型意思決定支援を提案する。
• 参考スコア（独自算出の注目度）: 1.2674530639112407
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Airport surface operations increasingly constrain performance at high-throughput hubs. This study examines arrival taxi-in decisions at Hartsfield-Jackson Atlanta International Airport (KATL) and proposes a two-stage, data-driven decision aid that mirrors controller workflow. Stage I predicts the runway exit selected by an arriving aircraft. Stage II predicts whether, given that exit, the aircraft will cross the active departure runway at a designated point or use the end-around taxiway. Models are trained using ASDE-X surface trajectories, aircraft characteristics, ramp destinations, short-horizon traffic rates, and weather across multiple look-back windows. We benchmark nine classifiers, including Random Forest, XGBoost, LightGBM, and CatBoost, and evaluate accuracy, macro-F1, precision-recall behavior, confusion matrices, Brier score, and Expected Calibration Error. Across east and west flows, XGBoost and LightGBM outperform Random Forest. Stage I achieves 0.86-0.89 accuracy with macro-F1 scores of 0.40-0.50, while Stage II achieves 0.70-0.74 accuracy with macro-F1 scores of 0.28-0.55. Feature-importance analysis shows that approach speed is the main driver of exit choice. Departure rate, crossing rate, ramp destination, and, for west flow, the selected exit are the strongest predictors of crossing versus end-around routing. Minority classes remain harder to predict because of feature-space overlap, as shown by t-SNE and UMAP analyses. The proposed framework supports controller situational awareness through calibrated, explainable predictions while preserving human responsibility for final routing decisions.
• Abstract（参考訳）: 空港の表面操作は、高出力ハブでの性能をますます制限している。 本研究はハーツフィールド・ジャクソン・アトランタ国際空港(KATL)におけるタクシーの入場決定について検討し、制御ワークフローを反映した2段階のデータ駆動型意思決定支援を提案する。 ステージ1は、到着した航空機が選択した滑走路出口を予測する。 ステージIIは、出口が与えられた場合、航空機が指定された地点でアクティブな出発滑走路を横切るか、エンドアラウンド・タクシーウェイを使用するかを予測する。 モデルは、ASDE-Xの表面軌道、航空機の特性、ランプの目的地、短距離の交通速度、および複数の見晴らし窓を横断する天候を用いて訓練される。 我々は、Random Forest、XGBoost、LightGBM、CatBoostを含む9つの分類器をベンチマークし、精度、マクロF1、高精度リコール動作、混乱行列、ブライアスコア、期待校正誤差を評価する。 東西に流れ、XGBoostとLightGBMはランダムフォレストを上回っている。 ステージIは0.86-0.89、マクロF1は0.40-0.50、ステージIIは0.70-0.74、マクロF1は0.28-0.55である。 特徴重要度分析は、アプローチ速度が出口選択の主要因であることを示している。 分岐速度、横断速度、ランプ目的地、および西流の場合、選択された出口は、横断経路とエンドアラウンド経路の最も強い予測因子である。 t-SNE や UMAP 分析で示されているように, 特徴空間の重複のため, マイノリティクラスは予測が難しいままである。 提案フレームワークは、最終的なルーティング決定に対する人間の責任を保ちながら、調整された説明可能な予測を通じて、状況認識の制御を支援する。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction [54.94692733670454]
  DESCENTは変圧器ベースのアーキテクチャで、不均一な力学と厳密なトポロジ的制約を扱うように設計されている。 本手法は,飛行場環境コンテキストを適応的に収集する,潜在的到達性セット(PRS)コンテキストサンプリング機構を備えている。 Amelia-10ベンチマークによる評価では,最先端のベースラインよりも大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2026-08-26T16:49:50Z)
• Pedestrian Crossing Intent Prediction via Psychological Features and Transformer Fusion [6.689013818004752]
  歩行者意図予測のための軽量・社会的情報アーキテクチャを提案する。 ハイウェイエンコーダ、コンパクト 4-token Transformer、グローバル セルフアテンション プーリングを使って、4つの行動ストリーム(アテンション、位置、状況、相互作用)を融合する。 提案手法は、モダリティに依存しない、ビジョン言語パイプラインとの統合が容易で、リソース制約のあるプラットフォーム上でのリスク認識の意図予測に適している。
  論文  参考訳（メタデータ） (2026-03-20T00:19:34Z)
• From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps [0.9668407688201359]
  本稿では,このエリア・オブ・興味 (AoI) と幹線道路区間との差異について検討する。 その結果,AoIでは約76%,最大地平線では一般道路では94%,予測精度では最大4秒の地平線が期待できることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T10:31:03Z)
• METcross: A framework for short-term forecasting of cross-city metro passenger flow [12.520570617853625]
  本研究は、都市間知識を統合し、地下鉄の短期乗客フロー予測フレームワーク(METcross)を開発する。 本稿では,データ融合と移動学習の観点から都市間交通流予測をモデル化するための基礎的枠組みを提案する。 その結果、METcrossフレームワークは基本的なフレームワークよりもパフォーマンスが良く、平均絶対誤差(Mean Absolute Error)とルート平均正方誤差(Root Mean Squared Error)をそれぞれ22.35%、26.18%削減できることがわかった。
  論文  参考訳（メタデータ） (2024-09-03T01:04:10Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Aircraft Landing Time Prediction with Deep Learning on Trajectory Images [18.536109188450876]
  本研究では、終端空域(TMA)をカバーする研究空域に突入する航空機のALTを予測するために、軌道画像に基づく深層学習手法を提案する。 軌道画像には航空機の位置、速度、進路、相対距離、到着する交通の流れなど様々な情報が含まれている。 また,軌道データから得られた実時間滑走路の利用状況と,航空機の種類や気象条件などの外部情報を付加入力として利用する。
  論文  参考訳（メタデータ） (2024-01-02T07:56:05Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• A Machine Learning Approach to Safer Airplane Landings: Predicting Runway Conditions using Weather and Flight Data [0.0]
  滑走路面の雪と氷は、遅延や方向制御に必要なタイヤ舗装の摩擦を減少させる。 XGBoostは、複合滑走路アセスメントシステムを作成するために使用される。
  論文  参考訳（メタデータ） (2021-07-01T11:01:13Z)

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。