A review of network delay prediction and advances in large language models for air traffic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traffic network delays seriously affect the air transportation system’s safety, economy, and efficiency, and have always been a global concern. Flight delays usually propagate within airport networks, causing subsequent flights to be delayed. However, existing works lack in considering network causality, and the incorporation of emerging large language models (LLMs). Thus, this paper endeavours to examine the literature on network delay prediction that combines different background knowledge with journal paper publishing data. Particularly, the network delay prediction methods are categorized into four aspects: classic methods without explicit network topology modelling, traditional explicit network-based prediction methods, emerging deep learning methods, and the application of LLMs in transportation. Classic methods without explicit network topology modelling, including statistical analysis, operations research, traditional machine learning and causal inference without network structures, offer interpretable baselines but fail to capture the complexity and nonlinearity of air traffic systems. Traditional explicit network-based prediction methods often approach air traffic systems through frameworks such as complex networks and queuing theory, with an increasing focus on causal relationship analysis. However, these methods fall short in capturing the spatiotemporal dependencies of network delays, particularly in modelling spatiotemporal causality. In contrast, emerging deep learning methods have advanced significantly, enabling the construction of spatiotemporal causal networks and improving the accuracy of network delay prediction. In addition, some future trends are analyzed. It is concluded that graph neural networks with causality and emerging deep learning methods (e.g., spatiotemporal GCN) are identified as essential directions. Moreover, a conceptual AirTraffic LLM is suggested via a novel Spatial-Temporal Causal Large Language Model (STC-LLM) framework for high-precision flight delay prediction, which requires further experimental validation and real-world testing. Nevertheless, issues such as data privacy, model opacity, and high computational costs must be carefully addressed when applying LLMs. Finally, the findings are expected to enhance understanding of delay propagation among researchers, practitioners, and policymakers, while providing insights and guidance to airports, airlines, and air traffic control.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle