Un enfoque de aprendizaje automático basado en datos ligeros y trayectorias para la predicción en línea del tiempo de llegada de vuelos
Autores: Zheng, Zhe; Zou, Bo; Wei, Wenbin; Tian, Wen
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque de aprendizaje automático basado en datos ligeros y trayectorias para la predicción en línea del tiempo de llegada de vuelos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Predecir el tiempo de vuelo
Operaciones del sistema de aviación
Aprendizaje automático basado en trayectorias
Tiempo estimado de llegada
Información de la trayectoria de vuelo
Red LSTM
ETA_TAB
ELDT
Vuelos del mundo real
Rendimiento de la predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
La capacidad de predecir con precisión el tiempo de llegada en tiempo real durante un vuelo es crítica para la eficiencia y fiabilidad de las operaciones del sistema de aviación. Este documento propone un enfoque de aprendizaje automático basado en datos ligeros y en la trayectoria para la predicción en línea del tiempo estimado de llegada al límite del espacio aéreo terminal (ETA_TAB) y el tiempo estimado de aterrizaje (ELDT), mientras un vuelo está en el aire. En lugar de requerir un gran volumen de datos sobre la aerodinámica de la aeronave, el clima en ruta y el tráfico, este enfoque utiliza solo información de la trayectoria del vuelo sobre latitud, longitud y velocidad. El enfoque consta de cuatro módulos: (a) reconstruir la secuencia de puntos de trayectoria a partir de la trayectoria bruta que se ha volado e identificar su trayectoria histórica más similar; (b) predecir la trayectoria restante, basada en lo que se ha volado y la trayectoria histórica mejor coincidente; esto se logra desarrollando un modelo de predicción de trayectoria de red de memoria a largo y corto plazo (LSTM); (c) predecir la velocidad en tierra del vuelo a lo largo de su trayectoria predicha, utilizando de manera iterativa la posición actual y la información de velocidad anterior; para ello, se desarrolla un modelo de predicción de velocidad de máquina de refuerzo de gradiente (GBM); y (d) predecir ETA_TAB utilizando la predicción de trayectoria y velocidad de (b) y (c), y usar ETA_TAB para predecir además ELDT. Dado que los modelos LSTM y GBM pueden ser entrenados fuera de línea, los esfuerzos de computación en línea se mantienen al mínimo. Aplicamos este enfoque a vuelos del mundo real en los EE. UU. Basado en nuestros hallazgos, el enfoque propuesto ofrece un mejor rendimiento de predicción que múltiples métodos alternativos. El enfoque propuesto es fácil de implementar, rápido de realizar y efectivo en la predicción, presentando así un atractivo para los usuarios potenciales, especialmente aquellos interesados en la predicción de ETA de vuelos en tiempo real pero con acceso limitado a datos.
Descripción
La capacidad de predecir con precisión el tiempo de llegada en tiempo real durante un vuelo es crítica para la eficiencia y fiabilidad de las operaciones del sistema de aviación. Este documento propone un enfoque de aprendizaje automático basado en datos ligeros y en la trayectoria para la predicción en línea del tiempo estimado de llegada al límite del espacio aéreo terminal (ETA_TAB) y el tiempo estimado de aterrizaje (ELDT), mientras un vuelo está en el aire. En lugar de requerir un gran volumen de datos sobre la aerodinámica de la aeronave, el clima en ruta y el tráfico, este enfoque utiliza solo información de la trayectoria del vuelo sobre latitud, longitud y velocidad. El enfoque consta de cuatro módulos: (a) reconstruir la secuencia de puntos de trayectoria a partir de la trayectoria bruta que se ha volado e identificar su trayectoria histórica más similar; (b) predecir la trayectoria restante, basada en lo que se ha volado y la trayectoria histórica mejor coincidente; esto se logra desarrollando un modelo de predicción de trayectoria de red de memoria a largo y corto plazo (LSTM); (c) predecir la velocidad en tierra del vuelo a lo largo de su trayectoria predicha, utilizando de manera iterativa la posición actual y la información de velocidad anterior; para ello, se desarrolla un modelo de predicción de velocidad de máquina de refuerzo de gradiente (GBM); y (d) predecir ETA_TAB utilizando la predicción de trayectoria y velocidad de (b) y (c), y usar ETA_TAB para predecir además ELDT. Dado que los modelos LSTM y GBM pueden ser entrenados fuera de línea, los esfuerzos de computación en línea se mantienen al mínimo. Aplicamos este enfoque a vuelos del mundo real en los EE. UU. Basado en nuestros hallazgos, el enfoque propuesto ofrece un mejor rendimiento de predicción que múltiples métodos alternativos. El enfoque propuesto es fácil de implementar, rápido de realizar y efectivo en la predicción, presentando así un atractivo para los usuarios potenciales, especialmente aquellos interesados en la predicción de ETA de vuelos en tiempo real pero con acceso limitado a datos.