MétaCan
Menu
Retour à la cohorte
Enregistrement W2089216494 · doi:10.3141/2177-04

Aircraft Traffic Analysis for Forecasting

2010· article· en· W2089216494 sur OpenAlexaffabout
J Paul Cripwell

Notice bibliographique

RevueTransportation Research Record Journal of the Transportation Research Board · 2010
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensStatistics Canada
Organismes subventionnairesnon disponible
Mots-clésService (business)Air traffic controlTransport engineeringProcess (computing)EconometricsOperations researchComputer scienceEconomicsEngineeringEconomy

Résumé

récupéré en direct d'OpenAlex

Analysis of historical air traffic is used to determine trends that will assist in traffic forecasting. This process begins with externally supplied forecasts that use econometrics as a base to produce passengers and movements as an output, which is then refined through the results of traffic analysis. The paper begins by defining the service charge structure for Nav Canada and defines two main service charges, one related to departures from Canadian airports and one related to the distance traveled by these flights. From the defined markets, domestic, transborder, south, Atlantic, and Pacific monthly growth rates are examined for potential trends. Although frequency may be a primary driver underlying much of the growth, the service charge structure includes the components of aircraft size (weight) and distance, factors that are not included in external forecasts. The paper presents the growth rates of all three components (frequency, aircraft size, and distance) within these markets to identify potential areas for further analysis and then examines the domestic market in more detail to determine the causes of traffic changes and their impact on a forecast on a month-by-month basis. This analysis also reveals further questions and identifies the need for additional analytical techniques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,008
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0190,010

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.

Tête enseignante Opus0,177
Tête enseignante GPT0,362
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTransportation Research Record Journal of the Transportation Research BoardMême sujetAviation Industry Analysis and TrendsTravaux en français237 207