論文の概要: ASPaeroFlow: Decomposition Heuristics for Joint Air Traffic Flow & Capacity Management

• arxiv url: http://arxiv.org/abs/2608.09315v1
• Date: Mon, 10 Aug 2026 08:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.172571
• Title: ASPaeroFlow: Decomposition Heuristics for Joint Air Traffic Flow & Capacity Management
• Title（参考訳）: ASPaeroFlow:エアトラヒックとキャパシティ管理のための分解ヒューリスティック
• Abstract要約: エアトラヒックフロー・キャパシティマネジメント(ATFCM)のためのASPaeroFlowを提案する。 インスタンス空間の分解と、Answer Set Programmingを使った局所的な正確なアプローチを組み合わせる。 私たちはASPaeroFlowを小さなインスタンスから業界規模のインスタンスにベンチマークし、それを正確で代替的なアプローチと比較します。
• 参考スコア（独自算出の注目度）: 60.85136195443409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While mathematical models act as vital decision support systems for operational Air Traffic Flow and Capacity Management (ATFCM), existing approaches isolate Air Traffic Flow Management (ATFM) from Dynamic Airspace Configuration (DAC). This separation introduces an unresolved circular dependency between fixed-demand and fixed-capacity assumptions. Although joint optimization resolves this gap, the enlarged search space renders exact models computationally intractable for medium- to large-scale instances. To bridge this gap, we propose ASPaeroFlow: a heuristic for the joint ATFCM; it combines instance-space decomposition heuristics with a local exact approach using Answer Set Programming. We benchmark ASPaeroFlow from small to industry-sized instances and compare it with exact and alternative approaches. The results indicate that (1) the heuristic provides a computational middle ground between exact methods and operational baselines; (2) simultaneous optimization can outperform sequential optimization on joint ATFCM; and (3) an ablation study indicates that DAC has a larger impact on solution quality than flow measures.
• Abstract（参考訳）: 数学モデルがエア・トラヒック・フロー・アンド・キャパシティ・マネジメント(ATFCM)のための重要な意思決定支援システムとして機能する一方で、既存のアプローチではダイナミック・エアスペース・コンフィグレーション(DAC)からエア・トラヒック・フロー・マネジメント(ATFM)を分離している。 この分離は、固定要求と固定容量の仮定の間に未解決の円形依存を導入する。 共同最適化はこのギャップを解消するが、拡張された探索空間は、中規模から大規模のインスタンスに対して計算的に抽出可能な正確なモデルを描画する。 本稿では,このギャップを埋めるために,ASPaeroFlowを提案する。ASPaeroFlowは,ATFCMの結合に対するヒューリスティックであり,インスタンス空間分解ヒューリスティックとAnswer Set Programmingを用いた局所的正確なアプローチを組み合わせたものだ。 私たちはASPaeroFlowを小さなインスタンスから業界規模のインスタンスにベンチマークし、それを正確で代替的なアプローチと比較します。 その結果, (1) ヒューリスティックは, 厳密な手法と運用ベースラインの間の計算中間点を提供し, (2) 同時最適化は, 関節ATFCMの逐次最適化よりも優れ, (3) アブレーション研究は, DACが流量測定よりも解の質に大きな影響を与えることを示している。

関連論文リスト

• Adaptive Cluster-First Route-Second Decomposition for Industrial-Scale Vehicle Routing [2.3204178451683264]
  本稿では,分解手順を反復的決定過程として定式化する適応型CFRSシステムを提案する。 近年の大規模言語モデル(LLM)の推論とツール選択の成功に触発され、LLMをハイレベルな意思決定者として採用している。 最大50万の顧客を含む合成およびベンチマーク由来のCVRPインスタンスに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-06-30T15:31:40Z)
• Joint Air Traffic Flow and Capacity Management via Answer Set Programming [64.47906587579985]
  我々は、Answer Set Programming(ASP)におけるエンコーディングを伴う共同ATFCMモデルを導入する。 この結果から,ASP モデルは MIP モデルより優れていたことが示唆された。 DACはリルーティングよりもパフォーマンスを最大に改善しているが、DACの無制限な変種やリルーティングは検索スペースのスラッシングに繋がる。
  論文  参考訳（メタデータ） (2026-06-22T07:58:54Z)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• A Hybrid Tabu Scatter Search Algorithm for Simulation-Based Optimization of Multi-Objective Runway Operations Scheduling [0.0]
  Dissertationは、滑走路運用スケジューリングのためのシミュレーションベースの最適化(SbO)アプローチを提案することで、航空交通フロー管理の課題に対処する。 目的は、遅延、燃料消費、環境への影響を最小限に抑えつつ、空港の容量利用を最適化することである。 提案するSbOフレームワークは,滑走路条件を扱う離散イベントシミュレーションモデルと,最適解を特定するためのハイブリッドタブ・散乱探索アルゴリズムを統合した。
  論文  参考訳（メタデータ） (2025-02-08T14:42:05Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration [12.914011030970814]
  マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。 本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-12-26T18:04:49Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• 1-Bit Compressive Sensing for Efficient Federated Learning Over the Air [32.14738452396869]
  本稿では,1ビットセンシング(CS)をアナログアグリゲーション送信に組み込んだ,空気上の通信効率の高い学習手法を開発し,解析する。 スケーラブルコンピューティングでは,大規模ネットワークに適した効率的な実装を開発する。 シミュレーションの結果,提案した1ビットCSベースのFLは理想的な場合と同等の性能を示した。
  論文  参考訳（メタデータ） (2021-03-30T03:50:31Z)

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。