論文の概要: Pneuma: A Large-Scale Real-World Time Series Benchmark for Commercial Aircraft Predictive Maintenance

• arxiv url: http://arxiv.org/abs/2610.37563v1
• Date: Tue, 27 Oct 2026 17:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.726372
• Title: Pneuma: A Large-Scale Real-World Time Series Benchmark for Commercial Aircraft Predictive Maintenance
• Title（参考訳）: Pneuma: 商用航空機の予測メンテナンスのための大規模リアルタイム時系列ベンチマーク
• Abstract要約: Pneumaは、商用航空機のオンボード時系列を用いた予測保守のための、初めて一般公開された大規模ベンチマークである。 このデータセットは、クラス不均衡、微妙な障害進化パターン、航空機構成間の大きなばらつきなど、現実世界の重要な課題を示す。
• 参考スコア（独自算出の注目度）: 19.15925008346884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance is vital for commercial aviation, yet progress remains hindered by the lack of public, large-scale real-world datasets. As a result, most methods are developed and evaluated on proprietary data, limiting reproducibility. We introduce Pneuma, the first publicly available large-scale benchmark for predictive maintenance using onboard time series from in-service commercial aircraft. Built around bleed air systems, Pneuma contains over 920 million multivariate time steps across four aircraft types and 9 verified fault scenarios, directly aligned with real maintenance logs. The dataset exhibits key real-world challenges, including substantial class imbalance, subtle fault evolution patterns, and significant variance across aircraft configurations. We structure the benchmark around three tasks: multivariate forecasting, supervised fault classification, and unsupervised anomaly detection, with labels derived from actual maintenance records. Under unified settings, we evaluate over 25 models from four methodological families on 9 carefully curated subsets. The results reveal that even strong contemporary models struggle with subtle fault signatures. Further analyses show consistent gains from additional in-context examples and multivariate inference, while forecasting quality is strongly associated with anomaly detection performance. Together, these findings provide practical insights into effectively modeling complex real-world aviation time series. We hope Pneuma will serve as a rigorous and reproducible foundation for advancing data-driven predictive maintenance toward real-world deployment in commercial aviation.
• Abstract（参考訳）: 商業航空にとって予測的メンテナンスは不可欠であるが、公共の大規模実世界のデータセットが不足しているため、進歩は妨げられている。 その結果、ほとんどの手法はプロプライエタリなデータに基づいて開発・評価され、再現性が制限される。 Pneumaは、商用航空機のオンボード時系列を用いた予測保守のための、初めて一般公開された大規模ベンチマークである。 Pneumaは、血まみれの空気システムを中心に構築され、4種類の航空機にまたがる9億2000万以上の多変量時間ステップと、実際のメンテナンスログと直接一致した9つの障害シナリオを含んでいる。 このデータセットは、重大なクラス不均衡、微妙な障害進化パターン、航空機構成間の大きなばらつきなど、現実世界の重要な課題を示す。 我々は,マルチ変数予測,教師付き故障分類,教師なし異常検出の3つのタスクについて,実際の保守記録からラベルを抽出した。 統合された設定下では,9つの慎重にキュレートされたサブセット上の4つの方法論的ファミリーから25以上のモデルを評価する。 その結果、強い現代モデルでさえ微妙な欠陥のサインに苦しむことが明らかとなった。 さらに分析すると、追加の文脈内例と多変量推論から一貫した利得を示し、予測品質は異常検出性能と強く関連している。 これらの発見は、複雑な実世界の航空時系列を効果的にモデル化する実践的な洞察を提供する。 Pneumaは、商用航空における実際の展開に向けて、データ駆動による予測メンテナンスを進めるための、厳格で再現可能な基盤として機能することを願っている。

関連論文リスト

• AirQualityBench: A Realistic Evaluation Benchmark for Global Air Quality Forecasting [25.500339307707225]
  本稿では,現実的な条件下での予測モデルを評価するために,グローバルな多汚染ベンチマークであるStarbfAirQualityBenchを紹介する。 このベンチマークには、2021年から2025年にかけての3,720の観測所からの時限観測が含まれ、6つの主要な汚染物質をカバーし、プロバイダネイティブな観測マスクを保存している。 AirQualityBenchは、サニタイズされたデータセットの強いパフォーマンスが、グローバルな断片化された監視ストリームに確実に転送されないことを示している。
  論文  参考訳（メタデータ） (2026-05-07T08:25:43Z)
• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Pre-Tactical Flight-Delay and Turnaround Forecasting with Synthetic Aviation Data [0.18416014644193066]
  本稿では,機械学習モデルの学習において,合成データが実運用データを置き換えることができるかどうかを検討する。 我々は,3つの予測課題に基づいて,最先端の合成データ生成装置を4つ評価した。 以上の結果から,高度なニューラルネットワークアーキテクチャ,特にトランスフォーマーベースのジェネレータは,実データ予測性能の94～97%を維持できることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T11:04:15Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID [20.38907456958682]
  本報告では, 飛行記録とメンテナンスログデータを用いて, 部品の故障とメンテナンスの必要性を予測する。 28,935回の飛行で31,177時間の飛行データがあり、これは計画外のメンテナンスイベント2,111件に対して発生します。 飛行は前または後のように注釈付けされ、一部の飛行はメンテナンスの日に行われる。
  論文  参考訳（メタデータ） (2022-10-13T19:43:02Z)
• 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)
• 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。