FenixEdu™

Dissertação

{pt_PT=Aircraft trajectory prediction in crowded terminal areas} {} EVALUATED

Detalhes: {pt=Na última década, o tráfego aéreo cresceu por todas as partes do mundo e criou atrasos devido ao congestionamento do espaço aéreo. Para sincronizar as operações no ar e no solo, e, consequentemente, serem mais competitivas, as companhias aéreas necessitam de prever a trajetória das suas aeronaves e estimar, a curto-prazo, a hora de chegada das mesmas, com base no congestionamento em tempo-real do espaço aéreo na vizinhança dos aeroportos. Baseado em trabalho anterior, é apresentado um modelo generativo de previsão de trajetórias de aeronaves em áreas terminais congestionadas. O modelo usa trajetórias reais que requerem uma etapa de pré-processamento para serem utilizadas pelo algoritmo de aprendizagem. Com base nas matrizes de covariância intra-cluster, o processo generativo usa um modelo de mistura gaussiano que irá gerar a trajetória posterior da aeronave e inferir sobre a hora de aterragem. As trajetórias contidas no modelo foram complementadas por: (1) uma métrica que conta o número de aeronaves no espaço aéreo, e (2) uma variável binária definida pela direção do vento que permite inferir com maior precisão a pista em uso. Finalmente, as trajetórias geradas foram testadas por especialistas num teste de Turing, revelando que são indistinguíveis das trajetórias reais. As contribuições deste trabalho são: (1) a utilização de trajetórias estimadas para calcular a hora de aterragem, (2) o estudo da melhoria da precisão do modelo pela adição de informação sobre a utilização do espaço aéreo e o estado do vento, e (3) a implementação e avaliação do modelo usando dados reais., en=During the last decade, the demand for air travel grew in all parts of the world which created delays due to airspace congestion. To trim ground with air operations, and therefore be more competitive, airlines need to predict the trajectory and the arrival time of their aircraft, based on the actual congestion of the airspace, to allow them to adapt their operation if necessary. Building on prior research, we present a probabilistic generative model of aircraft trajectory prediction in crowded terminal areas completed with landing time inference. The model uses a dataset containing real trajectories that require completion and smoothing as a preprocessing step for the machine learning algorithm. Based on the intra-cluster covariance matrices and on held-out measurements, a generative model using a Gaussian model mixture will generate the posterior trajectory of aircraft and infer on the landing time. The feature set was extended with: (1) a measure of the number of aircraft potentially sharing the airspace with each trajectory, and (2) a feature giving information on wind direction that allows our model to infer more accurately the active runway. Finally, the generated trajectories were tested by aviation specialists in a Turing test revealing that they are indistinguishable from real paths. The three contributions of this work are: (1) using estimated trajectories to compute time of landing, (2) the study of accuracy improvement by addition of two new features indicated by domain knowledge, and (3) to evaluate and implement the delay estimator on real data.}
Keywords: {pt=Gestão de tráfego aéreo, predição de trajetórias, espaço aéreo terminal, inferência da hora de aterragem, modelo generativo, en=Air traffic management, trajectory prediction, terminal airspace, landing time inference, generative model}

Discussão: dezembro 18, 2019, 9:30