与今天使用的空中冲突检测和分辨率（CD \＆R）工具（ATCO）使用的战术冲突检测和分辨率（CD \＆R）相比，密集且复杂的空中交通情况需要更高的自动化水平。但是，空中交通管制（ATC）域（安全至关重要）需要操作员舒适地放弃控制的AI系统，从而确保运营完整性和自动化采用。实现该目标的两个主要因素是解决方案的质量和决策的透明度。本文建议使用在多构想环境中运行的图形卷积加强学习方法，每个代理（飞行）执行CD \＆R任务，并与其他代理共同执行。我们表明，这种方法可以提供有关利益相关者利益（空中交通管制员和空域用户）的高质量解决方案，从而解决了运营透明度问题。
translated by 谷歌翻译
复杂的事件识别（CER）系统在过去二十年中变得流行，因为它们能够“立即”检测在实时事件流上的模式。然而，缺乏预测模式可能发生在例如由Cer发动机实际检测到这种发生之前的模式。我们提出了一项正式的框架，试图解决复杂事件预测（CEF）的问题。我们的框架结合了两个形式主义：a）用于编码复杂事件模式的符号自动机; b）预测后缀树，可以提供自动机构的行为的简洁概率描述。我们比较我们提出的方法，以防止最先进的方法，并在准确性和效率方面展示其优势。特别地，预测后缀树是可变的马尔可夫模型，可以通过仅记住足够的信息的过去序列来捕获流中的长期依赖性。我们的实验结果表明了能够捕获这种长期依赖性的准确性的益处。这是通过增加我们模型的顺序来实现的，以满足需要执行给定顺序的所有可能的过去序列的所有可能的过去序列的详尽枚举的全阶马尔可夫模型。我们还广泛讨论CEF解决方案如何最佳地评估其预测的质量。
translated by 谷歌翻译