基于时间融合变压器的机场延误预测
本文提出了一种新的空时可分离图卷积网络——STPN，用于建立多个机场之间航班延误传播的综合模型，并且在美国和中国的航班延误数据上验证了该模型的有效性及优越性。
Jul, 2022
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
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
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
本文介绍了一种新颖的时间关注跨模态变压器模型，即xMTrans，具备探索两种模态数据之间的时间相关性的能力，用于长期交通预测，通过对真实世界数据集上的交通拥堵和出租车需求预测进行广泛实验，结果显示xMTrans在长期交通预测方面优于最新的先进方法，此外，还进行了全面的消融研究，以进一步分析xMTrans中的每个模块的有效性。
May, 2024
通过正规化回归模型，本文测量了1210个地面延误计划中产生的过度延误，并研究了影响过度延误的因素。结果显示每个受限航班的平均过度延误为35.4分钟，标准差为20.6分钟。影响过度延误的因素包括航班出港和离港期间的时间变化、计划速率设定和修订以及延误计划的持续时间。
May, 2024
我们利用长短期记忆模型 (LSTM) 预测以实时方式到达JFK机场并在距离着陆跑道阈值10纳米内的航班中，可能执行盘旋操作的概率。我们进一步开发方法来从全局视角和个别飞行视角检查引起盘旋操作的原因。根据我们的结果，紧随其后的间隔和同时运行跑道似乎是导致总体盘旋操作的主要因素。然后，我们将这些预先训练的模型和分析与实时数据流集成，并最终开发了一个演示基于Web的用户界面，将之前设计的不同组件整合成一个可供飞行人员和其他线路人员使用的实时工具，用于识别可能发生盘旋操作的高风险情况。
May, 2024
本研究针对航班延误的趋势进行调查，旨在填补航空延误预测中的技术空白。通过运用回归机器学习方法和时间序列模型，提出了一种新的分析方式，发现了影响航班延误的关键因素。这一研究为航班计划策略提供了潜在的信息，具有重要的应用价值。
Aug, 2024
本研究解决了航空业日益严重的航班延误问题，通过结合深度学习与经典机器学习技术，提出了一种混合方法。研究发现，该模型在评估指标如准确率、精确度、召回率和F1分数上的表现优异，能够为美国航空公司提供有价值的分析和洞察，以有效应对航班延误的挑战。
Sep, 2024