ترجمه فارسی مقاله آملیا: یک مدل و مجموعه داده بزرگ برای پیش‌بینی حرکات سطح فرودگاه

چکیده

The growing demand for air travel requires technological advancements in air traffic management as well as mechanisms for monitoring and ensuring safe and efficient operations. In terminal airspaces, predictive models of future movements and traffic flows can help with proactive planning and efficient coordination; however, varying airport topologies, and interactions with other agents, among other factors, make accurate predictions challenging. Data-driven predictive models have shown promise for handling numerous variables to enable various downstream tasks, including collision risk assessment, taxi-out time prediction, departure metering, and emission estimations. While data-driven methods have shown improvements in these tasks, prior works lack large-scale curated surface movement datasets within the public domain and the development of generalizable trajectory forecasting models. In response to this, we propose two contributions: (1) Amelia-48, a large surface movement dataset collected using the System Wide Information Management (SWIM) Surface Movement Event Service (SMES). With data collection beginning in Dec 2022, the dataset provides more than a year’s worth of SMES data (~30TB) and covers 48 airports within the US National Airspace System. In addition to releasing this data in the public domain, we also provide post-processing scripts and associated airport maps to enable research in the forecasting domain and beyond. (2) Amelia-TF model, a transformer-based next-token-prediction large multi-agent multi-airport trajectory forecasting model trained on 292 days or 9.4 billion tokens of position data encompassing 10 different airports with varying topology. The open-sourced model is validated on unseen airports with experiments showcasing the different prediction horizon lengths, ego-agent selection strategies, and training recipes to demonstrate the generalization capabilities.

چکیده به فارسی (ترجمه ماشینی)

تقاضای فزاینده برای سفر هوایی به پیشرفت های فناوری در مدیریت ترافیک هوایی و همچنین مکانیسم هایی برای نظارت و اطمینان از عملکرد ایمن و کارآمد نیاز دارد.در فضای هوایی ترمینال ، مدل های پیش بینی کننده حرکات آینده و جریان ترافیک می توانند در برنامه ریزی فعال و هماهنگی کارآمد کمک کنند.با این حال ، متغیر توپولوژی فرودگاه و تعامل با سایر عوامل ، از جمله سایر عوامل ، پیش بینی های دقیق را به چالش می کشد.مدلهای پیش بینی کننده داده ها وعده داده شده برای دستیابی به متغیرهای بی شماری برای فعال کردن کارهای مختلف پایین دست ، از جمله ارزیابی ریسک برخورد ، پیش بینی زمان تاکسی ، اندازه گیری عزیمت و تخمین انتشار ، نشان داده اند.در حالی که روش های داده محور پیشرفت هایی را در این کارها نشان داده اند ، کارهای قبلی فاقد مجموعه داده های حرکتی سطح در مقیاس بزرگ در حوزه عمومی و توسعه مدل های پیش بینی مسیر قابل تعمیم است.در پاسخ به این ، ما دو مشارکت را پیشنهاد می کنیم: (1) AMELIA-48 ، یک مجموعه داده حرکت سطح بزرگ که با استفاده از سرویس حرکات سطح مدیریت گسترده سیستم (SWIM) (SMES) جمع آوری شده است.با شروع جمع آوری داده ها در دسامبر 2022 ، مجموعه داده ها بیش از یک سال داده های SMES (30 TB) را ارائه می دهد و 48 فرودگاه را در سیستم ملی فضای هوایی ایالات متحده پوشش می دهد.علاوه بر انتشار این داده ها در حوزه عمومی ، ما همچنین اسکریپت های پس از پردازش و نقشه های فرودگاه مرتبط را ارائه می دهیم تا تحقیقات را در حوزه پیش بینی و فراتر از آن فراهم کنیم.(2) مدل Amelia-TF ، یک مدل پیش بینی چند منظوره چند جانبه پیش بینی بر اساس ترانسفورماتور که در 292 روز یا 9.4 میلیارد نشانه داده موقعیت شامل 10 فرودگاه مختلف با توپولوژی مختلف آموزش داده شده است.مدل منبع باز در فرودگاه های غیب با آزمایشاتی که نشان دهنده طول افق پیش بینی مختلف ، استراتژی های انتخاب خود عامل و دستور العمل های آموزشی برای نشان دادن توانایی های تعمیم است ، تأیید می شود.