Refinements to a Procedure for Estimating Airfield Capacity
Notice bibliographique
Résumé
This paper presents a method for obtaining airfield capacity estimates using historical data from FAA's Aviation System Performance Metrics (ASPM) database. The process first involves merging individual flights and quarter-hour airport runway operations data sets from ASPM to create a new data set. Data for Newark Liberty International Airport (EWR) in New Jersey and San Diego International Airport in California from 2006 to 2011 were used. Then, filters for meteorological condition, runway configuration, called rates, and fleet mix were applied to the two airport data sets. The filtered data sets were then used in a censored regression model of capacity that included queue length (number of aircraft waiting to arrive or depart) and arrival–departure throughput count splits as independent variables. These attributes were found to affect airfield capacity at statistically significant levels, and parameters had expected signs and magnitudes. Additionally, capacities under ideal conditions were found to be reasonably close to other sources. The model also confirmed that average capacities at EWR during hours when a ground delay program (GDP) was running were lower than when there was no GDP in effect. The method described in this paper could be used to more precisely quantify airfield capacities in specific conditions of particular interest to air traffic controllers and airport operators to better facilitate decisions that rely heavily on a good understanding of capacity in these conditions. The data exploration and preparation undertaken as part of the study reveal some of the finer points of the ASPM data and how they can be used in a more meaningful way for airfield capacity estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».