Comparteix:

Manuel Mateos Villar defensa la seva tesi doctoral sobre la predicció de trajectòries d'aeronaus en fase pre-tàctica utilitzant tècniques de “machine learning”

10/11/2022

Manuel Mateos Villar va defensar la seva tesi doctoral, amb menció de doctorat industrial, codirigida per Xavier Prats (UPC) i Oliva Garcia (Nommon Solutions and Technologies), titulada "Machine Learning for Aircraft Trajectory Prediction: a Solution for Pre-tactical Air Traffic Flow Management". La tesi presenta una solució per a la predicció de trànsit en fase pre-tàctica que millori l’exercici predictiu de l’eina actual (PREDICT) I sigui capaç de fer front a tot el conjunt de vols a la xarxa ECAC d’una manera computacionalment eficient. Per fer-ho, s’han explorat diferents enfocaments de predicció de trajectòries basats en models d’aprenentatge automàtic entrenats amb dades històriques.

L’objectiu de la gestió de fluxos i capacitat del trànsit aeri (ATFCM per les seves sigles en anglès) és garantir que la capacitat aeroportuària i de l’espai aeri satisfacin la demanda de trànsit mentre s’optimitzen els fluxos per evitar excedir la capacitat disponible quan no es pot augmentar més.

A Europa, l’ATFCM està a càrrec d’EUROCONTROL, en el seu paper de gestor de la xarxa (o Network Manager, NM), i consta de tres fases: estratègica, pre-tàctica i tàctica. Aquesta tesi se centra en la fase pre-tàctica, que inclou els sis dies previs al dia d’operacions. Durant la fase pre-tàctica, els usuaris de l’espai aeri han presentat pocs o cap pla de vol i l’única informació sobre els vols disponible per al NM són les anomenades intencions de vol, que consisteixen principalment en els horaris dels vols. La informació de la trajectòria només està disponible quan els usuaris de l’espai aeri envien els seus plans de vol. Aquesta informació és necessària per assegurar una assignació correcta de recursos en coordinació amb els proveïdors de serveis de la navegació aèria. Per predir els plans de vol abans que siguin presentats pels usuaris de l’espai aeri, el NM es recolza en l’eina PREDICT, que genera prediccions de trànsit per a tota l’àrea ECAC d’acord les trajectòries triades per vols iguals o similars en el passat recent, sense aprofitar la informació sobre les decisions dels usuaris de l’espai aeri codificades en dades històriques. L’objectiu de la present tesi doctoral és desenvolupar una solució per a la predicció de trànsit en fase pre-tàctica que millori l’exercici predictiu de l’eina PREDICT i sigui capaç de fer front a tot el conjunt de vols a la xarxa ECAC d’una manera computacionalment eficient.

Per fer-ho, s’han explorat diferents enfocaments de predicció de trajectòries basats en models d’aprenentatge automàtic entrenats amb dades històriques, avaluant l’exercici de la predicció. A l’hora d’aplicar les tècniques d’aprenentatge automàtic per a la predicció de trajectòries, s’han identificat tres eleccions metodològiques fonamentals: (i) el clustering de trajectòries, que s’utilitza per agrupar trajectòries similars per simplificar el problema de predicció de trajectòries; (ii) la formulació del model d’aprenentatge automàtic; i (iii) l’aproximació seguida per entrenar el model. La contribució d’aquesta tesi doctoral a l’estat de l’art es troba a les dues primeres àrees. Primer, hem desenvolupat una nova tècnica de clustering de rutes, basada en l’àrea compresa entre dues rutes, que redueix el temps computacional requerit i augmenta l’escalabilitat respecte a altres tècniques de clustering descrites a la literatura. En segon lloc, hem desenvolupat, provat i avaluat dos nous enfocaments de modelatge per a la predicció de rutes. El primer enfocament consisteix a construir i entrenar un model d’aprenentatge automàtic independent per a cada parell de d’aeroports origen-destinació a la xarxa, prenent com a entrades diferents variables disponibles de les intencions de vol més altres variables relacionades amb la meteorologia i el nombre de regulacions. Aquest enfocament millora el rendiment del model PREDICT, però també té una limitació important: no considera canvis en l’estructura de l’espai aeri, per la qual cosa no podeu predir rutes que no estan disponibles a les dades d’entrenament i, de vegades, podeu predir rutes que no són compatibles amb l’estructura de l’espai aeri. El segon enfocament, basat en les aerolínies, consisteix a construir i entrenar un model independent per a cada aerolínia. Les limitacions del primer model se superen en considerar com a variables d’entrada no només les variables disponibles en les intencions de vol i la meteorologia, sinó també les restriccions de l’espai aeri i les característiques de la ruta (p. ex., cost de la ruta, longitud, etc.).

L’enfocament basat en aerolínies produeix una millora significativa respecte al PREDICT i el model basat en parells d’aeroports origen-destinació, aconseguint una precisió de predicció de ruta del 0,896 (davant la precisió de PREDICT del 0,828), alhora que el problema pot escalar a tota l’àrea de l’ECAC en un temps de computació raonable. Aquests resultats prometedors ens animen a ser optimistes sobre la futura implementació del sistema proposat. 

Keywords
r_n