本研究中，我们提出深度学习方法来学习空中交通管理领域的交通管制员解决冲突的反应，以增强冲突检测和解决任务的自动化，该方法通过预测可能违反飞机航迹之间的最小分隔约束的冲突解决时刻的轨迹点，来评估其准确性。

May, 2022

本文探讨了 ATCO2 项目从广播频率通道，通过自愿者收集和存储音频和监视数据，并对其中包括自然语言处理、自动语音识别、英语语种识别等方面工作进行回顾，进而证明了该项目的适用性，可用于开发少量或无领域数据的自动语音识别引擎，以及在公共航空交通数据集上进行性能提升。

May, 2023

本文提出一种基于人工智能的方法来最大化时间序列可用传输能力（ATC），通过自主拓扑控制考虑各种实际约束和不确定性，其中使用了多种人工智能技术，包括监督学习和深度强化学习，并证明了该方法在 2019 年的全球比赛中取得了成功，并且赢得了竞赛的第一名。

Nov, 2019

该研究提出了一种概率机器学习的生成方法，用于侧面轨迹预测，旨在建模来自飞行员行为和空中交通管制员意图的认知不确定性对轨迹的影响，探索了不同模型中贝叶斯神经网络与拉普拉斯近似的概率方法在模拟飞机通过空域的流量方面的可行性。

Sep, 2023

本文提出了一种新颖的虚拟模拟飞行员引擎，该引擎利用不同的人工智能工具加速空中交通管制员（ATCo）的培训，并且采用了自动语音识别和理解、高级空中交通管制相关实体解析、文本到语音子模块等先进工具，能够模拟控制操作场景、生成模拟机长的话语并提高实时监视数据的辨识准确度，是首次基于开源 ATC 资源和 AI 工具的研究。

Apr, 2023

提出了一种新的数据管理和预测系统，可准确预测国家空域系统（NAS）特定空域区域内的飞机计数。对美国的大量实际轨迹、天气和空中交通数据进行评估，验证了我们的系统在每个空域部门高效准确地预测飞机计数。

Oct, 2023

借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。

Jan, 2024

本文介绍 ATCO2 语料库，它旨在促进空中交通管制领域内鲜有研究的挑战性问题，该语料库涵盖数据收集和预处理，语音数据的伪标注以及 ATC 相关命名实体的提取等方面，有助于推动韧性自动语音识别和自然语言理解等技术的发展。

Nov, 2022

本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

Sep, 2019

通过生理数据和机器学习分类器，我们开发了一种能够调节人的主观时间感知的设备，研究发现电皮肤活动是最具描述性的生物标志物，这项技术的进步可能在高风险职业的任务管理、压力减轻和整体生产力方面带来改进。

Mar, 2024