FenixEdu™

Dissertação

{pt_PT=Clustering and Complexity Estimation for Air Traffic Flow Management} {} EVALUATED

Detalhes: {pt= A gestão e controlo de Tráfego aéreo é considerada uma das profissões mais exigentes no mundo, uma vez que os controladores são responsáveis pela segurança de milhares de passageiros. Vários sistemas computacionais foram desenvolvidos para identificação de rotas de voo típicas, para a medição de congestionamento e complexidade. Estas ferramentas ajudam os controladores a conhecer melhor o seu espaço aéreo e antever a existência de conflitos, dando assim mais tempo aos controladores para procurar soluções viáveis. Neste contexto, esta dissertação foca-se na identificação de rotas típicas de tráfego aéreo e na determinação de complexidade do espaço aéreo. De forma a concretizar estes objetivos, um novo método de avaliação é proposto, que compara diferentes técnicas de agrupamento de rotas aplicadas ao tráfego aéreo. Ao ordenar as várias técnicas de agrupamento, permite assim determinar os resultados da melhor técnica. Por outro lado, também é proposto um novo método de estimação do esforço dos controladores, tendo por base os dados de tráfego e a configuração do espaço aéreo. Este último método pode também sugerir a melhor configuração de setores para um intervalo de tempo de interesse. A avaliação experimental realizada demonstrou que o algoritmo de agrupamento OPTICS, aliado a uma fase de pré-processamento PCA com duas componentes, é a melhor combinação para o processamento dos dados de tráfego aéreo. No que respeita ao esforço dos controladores, os resultados obtidos mostraram-se capazes de estimar de forma precisa e prever a complexidade no espaço aéreo, permitindo antecipar uma alteração de configuração de setores., en=Air traffic control is usually considered one of the most demanding and stressful jobs in the world, as they are responsible for the safety of thousands of passengers. To support their tasks, several computer-aided systems have been developed, helping them to identify typical aircraft routes they have to control, and measuring air traffic congestion and complexity. Such tools help them to know and better manage the airspace where they work and predict time periods of excess of workload to provide them more time to process the viable solutions. In this context, this thesis focuses on identifying and clustering typical aircraft routes and on computing the air space complexity. To achieve these objectives, a new method is proposed to evaluate and compare different clustering techniques applied to traffic datasets, by sorting them according to the best clustering result. On the other hand, it is also proposed a new method to estimate the controller's workload based on traffic data and airspace volume configuration. This last method can also suggest the best configuration for a time interval of interest. The conducted experimental evaluation showed that the OPTICS clustering algorithm, allied with a pre-processing phase based on a 2-components PCA, is the best combination at clustering the traffic dataset. In what concerns the controller's workload, the obtained results showed to accurately estimate and predict the airspace complexity, allowing to anticipate a sector configuration change for the time intervals of interest.}
Keywords: {pt=Gestão de Tráfego Aéreo, rotas típicas, indicadores de complexidade, parâmetros de CAPAN, carga de trabalho do controlador aéreo, configuração de setores., en=Air Traffic Flow Management, Clustering, Complexity Indicators, CAPAN parameters, Air Traffic Controller Workload, Sector Configuration.}

Discussão: janeiro 27, 2021, 10:0