PulseAugur
中
实时 18:31:50
实体 Incheon International Airport

Incheon International Airport

PulseAugur coverage of Incheon International Airport — every cluster mentioning Incheon International Airport across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
3
90 天内 6
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
关系
时间线
  1. 2026-07-07 research_milestone Incheon International Airport reached 1 billion passengers in 25 years and 3 months, setting a new record. 来源
最近 · 第 1/1 页 · 共 8 条
  1. TOOL · CL_231662 ·

    AI模型预测飞机着陆时间并进行不确定性量化

    研究人员开发了一个新的概率化框架,用于预测飞机着陆时间,该框架考虑了多智能体交互和空中交通中的固有不确定性。该模型将着陆时间作为概率分布提供,比简单的点估计提供更值得信赖的预测。使用仁川国际机场的数据进行测试,该框架在准确性和不确定性量化方面优于现有方法,同时其注意力分数也为空中交通管制模式提供了见解。

  2. RESEARCH · CL_230446 ·

    战争导致迪拜机场客运量下降31%;CEO对复苏充满信心

    受伊朗战争影响,海湾地区航空业受到冲击,迪拜国际机场(DXB)在2026年上半年旅客吞吐量大幅下降31.3%,共计3150万旅客。尽管此次中断包括弹道导弹警报和飞机起降架次减少32.1%,但机场首席执行官Paul Griffiths对年底前全面复苏充满信心,目前客运量已达到去年同期的80%。首尔仁川国际机场等竞争对手的转机客运量有所增加,因为旅客寻求替代枢纽,但迪拜机场仍在推进其雄心勃勃的价值350亿美元的Al Maktoum国际机场…

  3. TOOL · CL_183511 ·

    韩国仁川机场因访客激增面临80分钟移民局延误

    韩国仁川国际机场正经历严重的移民局延误,外国旅客的等待时间长达80分钟。这种拥堵归因于外国访客的激增,6月份的入境人数同比增长了20.6%。目前的等待时间远远超过了国际民用航空组织的45分钟建议,与农历新年假期期间的混乱情况相当。

  4. TOOL · CL_156551 ·

    新型MAIFormer模型增强了多飞机飞行轨迹预测能力

    研究人员推出了一种新颖的神经网络架构MAIFormer,用于预测多架飞机的飞行轨迹。该模型解决了模拟个体飞机行为及其复杂交互的挑战。MAIFormer利用了两个关键的注意力模块:用于个体飞行模式的掩码多元注意力(masked multivariate attention)和用于飞机间交互的智能体注意力(agent attention)。在仁川国际机场的真实世界数据上进行测试,MAIFormer展示了卓越的性能并提供了可解释的预测,增强…

  5. MEME · CL_146085 ·

    中国游客因在韩国避免教练车事故而受到称赞

    一群在韩国的中国游客在阻止了一场严重事故后被誉为英雄。当一辆前往仁川国际机场的教练车司机突然晕倒时,乘客们,在一位名叫孙女士的带领下,控制了车辆。一名乘客负责驾驶,另一名乘客踩下刹车,成功地将巴士停了下来。

  6. RESEARCH · CL_129748 ·

    仁川机场25年创纪录达到10亿乘客

    韩国仁川国际机场自2001年3月启用以来,已达到一个重要的里程碑,接待乘客超过10亿人次。这一成就仅用了25年多一点的时间,比慕尼黑、樟宜、成田和迪拜等其他主要全球机场都要快。机场为此举行了庆祝仪式,仁川国际机场公司代理社长金范镐(Kim Bum-ho)和韩亚航空的高管出席了仪式。

  7. MEME · CL_116484 ·

    韩国世界杯提前出局引发愤怒、死亡威胁和禁令

    在世界杯提前出局后,韩国国家足球队面临着强烈的公众强烈反对。这包括针对球员和教练的死亡威胁,当局正在追踪一篇威胁球员回国后将采取行动的在线帖子。此外,一些企业公开禁止队员进入其场所,这反映了公众对球队表现的普遍失望以及对足球协会进行改革的呼吁。

  8. TOOL · CL_111771 ·

    AI框架使用Transformer模型解释空中交通动态

    研究人员开发了一个新颖的机器学习框架来解释复杂的空中交通状况,旨在提高空中交通管制员的态势感知能力。该系统利用基于Transformer的多智能体轨迹模型,分析飞机移动及其相互作用。通过检查注意力分数,该模型可以量化单架飞机对整体交通动态的影响,提供可解释的见解,说明管制员如何感知情况。该框架在仁川国际机场空域的真实监视数据上进行了训练。