基于时间融合变压器的机场延误预测
使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。
Jan, 2024
城市交通正在发生转变，通过共享、连接和协作的自动驾驶车辆的出现。然而，为了被顾客接受，对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统，利用分别针对停留时间和行驶时间的模型，并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外，我们还探索了使用图神经网络（GNN）集成空间数据的好处。为了准确处理穿梭车跳过站点的情况，我们提出了一个分层模型，组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的，在预测多站点时也显示出较低的错误率。然而，并无一种单一模型在各方面都表现出优势，我们提供了影响模型选择过程的试点站点特征的见解。最后，我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解，并为领域的进一步发展铺平了道路。
Jan, 2024
本研究论文探讨了飞机延误问题，重点关注其对安全和经济损失的影响。为了缓解这些问题，提出了一种创新的机器学习增强的降落调度方法，旨在提高自动化和安全性。通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。一种多阶段条件机器学习预测器增强了基于飞行事件的分离时间预测。机器学习预测结果被整合为安全约束，并在时间约束下使用整数线性规划求解旅行推销员问题。通过历史飞行记录和模型预测来处理连续飞行之间的不确定性，确保可靠性。所提出的方法使用来自亚特兰大空中交通管制中心（ARTCC ZTL）的实际数据进行验证。案例研究表明，与先到先服务（FCFS）规则相比，总降落时间平均减少了 17.2％。与 FCFS 不同，所提出的方法考虑了不确定性，增强了调度的可信度。研究总结并提出了未来的研究方向。
Nov, 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
我们设计和开发了一个新颖的数据分析和机器学习系统，通过主动支持路由决策，以减少延误。该系统使用历史路由数据和天气数据进行预测，并采用一系列竞争算法来生成最终结果，在实验中获得了高于 90% 的平均准确性。
Oct, 2023
提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。
May, 2024
使用多数据融合和深度学习方法对船舶抵达引航区的到达时间进行预测，通过提取船舶到达轮廓、数据融合和深度学习等方法，取得了良好的预测准确度和优于基准方法的结果。
Mar, 2024
通过融合天气和时间等信息，借助于多模态单元的嵌入结构，提出了一种新的天气 - 时间 - 轨迹融合网络 (WTTFNet)，用于改进基准深度神经网络架构，并采用联合损失函数和基于聚焦损失，通过优化深度轨迹特征和最终分类器，提高了对行人目的地和轨迹的准确性，该方法在与现有算法相比的实验结果中表现出 23.67％的分类准确度提高，平均和最终位移误差分别降低了 9.16％和 7.07％，可应用于天气和时间等条件有影响的场景，用于行人设施工程、公共空间开发和技术驱动的零售等众多应用。
May, 2024