Time Prediction of Key Links in Flight Ground Support Under Missing Data
Notice bibliographique
Résumé
Accurate flight ground service time prediction can improve the flight transit efficiency and realize flight refinement management. However， the lack and abnormality of relevant data make the research more challenging in real scenarios. To this end， a flight ground service time prediction model considering missing values is proposed. A dynamic time warping（DTW） algorithm is introduced on the basis of the causal graph convolutional network （CGCN） to realize the prediction of flight ground service link time under different data missing modes and missing rates. The flight support dataset （6 480 items） of a large airport in China is used as an example for validation. The results show that the proposed model can maintain high prediction performance under conditions of 20%—80% missing rates， compared with the remaining seven benchmark models including causal graph convolutional network with missing data （CGCNM）， dynamic spatial⁃temporal graph convolution network （DSTGCN）， Bayesian temporal matrix factorization （BTMF）， long short⁃term memory （LSTM）， etc. The mean absolute error （MAE） of the prediction results for each service time node is reduced by more than 8.1%， and the root‑mean‑square error （RMSE） is reduced by more than 4.6%. The experiment demonstrates that the proposed model is better than the baseline model in terms of prediction accuracy and prediction stability. It can provide an objective and reliable decision-making basis for flight support operations.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».