基于深度学习的航班需求预测
机器学习
2021-11-08 v3
摘要
受深度学习(DL)在自然语言处理(NLP)中成功的启发,我们应用前沿的DL技术来预测战略时间范围(4小时或更久)内的航班离港需求。本工作旨在支持MITRE开发的移动应用Pacer,该应用向通用航空(GA)飞行运营商显示预测的离港需求,使其能更好地感知繁忙时段离港延误的可能性。涉及Pacer先前设计的基于规则的预测方法的现场演示表明,离港需求预测精度仍有提升空间。本研究从两个关键方面力求提高预测精度:更好的数据源与稳健的预测算法。我们利用航空系统性能度量(ASPM)和全系统信息管理(SWIM)两个数据源作为输入。随后采用序列到序列(seq2seq)及带注意力的seq2seq等DL技术训练预测模型。案例研究表明,在测试的四种预测算法中,我们的带注意力seq2seq表现最佳。此外,借助更好的数据源,相较于经典自回归(AR)预测方法,带注意力seq2seq可将均方误差(mse)降低超过60%。
引用
@article{arxiv.2011.04476,
title = {Deep Learning for Flight Demand Forecasting},
author = {Liya Wang and Amy Mykityshyn and Craig Johnson and Benjamin D. Marple},
journal= {arXiv preprint arXiv:2011.04476},
year = {2021}
}
备注
Paper will be submitted to AIAA aviation forum