解读航空旅行延误:一种机器学习方法
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
本文提出了四种基于机器学习的时间和距离预测模型,其中最佳模型采用两个并行的基于注意力机制的LSTM网络,预测下一次行程的距离和时间的误差为3.99%,比LSTM模型还要好23.89%。我们同时提出了TimeSHAP方法用于解释模型的学习过程。
Mar, 2023
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
本研究旨在开发一种精确的模型,通过捕捉旅行数据中的序列模式和依赖关系,实现对个体旅行者未来目的地的准确预测,为现代交通运输行业带来多重益处,并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。
Jan, 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
本研究针对城市轨道交通网络中因列车延误引发的乘客出行选择预测问题,提出了一种基于大语言模型的DelayPTC-LLM框架。通过对真实数据的分析,验证了该模型在处理复杂稀疏数据方面的优越性,能够提高预测准确性,并为交通管理提供重要决策支持。
Sep, 2024