Graph machine learning for flight delay prediction due to holding manouver

要約

操縦を保持するための飛行遅延は、航空の批判的で費用のかかる現象であり、航空交通渋滞を管理し、安全を確保する必要性に駆り立てられます。
多くの場合、空港の混雑、悪天候、航空交通管制の制限などの要因が原因で、航空機が指定された空域で円を描くように指示されるように指示されたときに操作が発生します。
この研究では、マニューバーをグラフの問題として保持するための飛行遅延の予測をモデル化し、高度なグラフ機械学習（グラフML）技術を活用して、航空交通ネットワークの複雑な相互依存関係をキャプチャします。
安全に不可欠なものの、操縦を保持すると、燃料の使用量、排出量、乗客の不満が増加し、運用効率に正確な予測が不可欠になります。
通常、表形式データを使用する従来の機械学習モデルは、多くの場合、航空交通データ内の空間的関係を見落としています。
これに対処するために、ネットワークの中心性と接続性をキャプチャしたグラフ機能が濃縮されたCatBoostの両方を適用する方向（マルチ）グラフのエッジフィーチャの予測として保持を予測する問題をモデル化します。
データコンテキスト。
私たちの結果は、CatBoostがこの不均衡なデータセットのGATを上回ることを示しており、グラフベースの機能の重要性を通じて、イベントを保持するイベントを効果的に予測し、解釈可能性を提供します。
さらに、ユーザーがリアルタイムの遅延予測をシミュレートできるようにするWebベースのツールを介して、モデルの潜在的な運用上の影響について説明します。
この研究では、燃料効率の向上、遅延の削減、乗客体験の改善に影響を与えることに、航空における予測分析のためのグラフベースのアプローチの実行可能性を強調しています。

要約(オリジナル)

Flight delays due to holding maneuvers are a critical and costly phenomenon in aviation, driven by the need to manage air traffic congestion and ensure safety. Holding maneuvers occur when aircraft are instructed to circle in designated airspace, often due to factors such as airport congestion, adverse weather, or air traffic control restrictions. This study models the prediction of flight delays due to holding maneuvers as a graph problem, leveraging advanced Graph Machine Learning (Graph ML) techniques to capture complex interdependencies in air traffic networks. Holding maneuvers, while crucial for safety, cause increased fuel usage, emissions, and passenger dissatisfaction, making accurate prediction essential for operational efficiency. Traditional machine learning models, typically using tabular data, often overlook spatial-temporal relations within air traffic data. To address this, we model the problem of predicting holding as edge feature prediction in a directed (multi)graph where we apply both CatBoost, enriched with graph features capturing network centrality and connectivity, and Graph Attention Networks (GATs), which excel in relational data contexts. Our results indicate that CatBoost outperforms GAT in this imbalanced dataset, effectively predicting holding events and offering interpretability through graph-based feature importance. Additionally, we discuss the model’s potential operational impact through a web-based tool that allows users to simulate real-time delay predictions. This research underscores the viability of graph-based approaches for predictive analysis in aviation, with implications for enhancing fuel efficiency, reducing delays, and improving passenger experience.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google