Predicción del rendimiento operativo horario del aeropuerto con una red neuronal convolucional de múltiples ramas
Autores: Feng, Huang; Zhang, Yu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción del rendimiento operativo horario del aeropuerto con una red neuronal convolucional de múltiples ramas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Investigación
Aeropuerto
Capacidad
Clima convectivo
Predicción
Tráfico aéreo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Se ha llevado a cabo una extensa investigación para predecir el tráfico anual de pasajeros, con el objetivo de proporcionar apoyo en la toma de decisiones para la construcción de aeropuertos, la adquisición de aeronaves, la gestión de recursos, la programación de vuelos, etc. Sin embargo, cómo el rendimiento operativo del aeropuerto se ve afectado por el clima convectivo en las cercanías del aeropuerto y cómo predecir el rendimiento operativo del aeropuerto a corto plazo no se ha estudiado bien. El clima convectivo cerca del aeropuerto podría hacer que las llegadas pierdan sus posiciones en la corriente de llegada y reduzcan la eficiencia del campo de aviación en términos de utilización de las capacidades de las pistas. Esta investigación utiliza un método basado en el aprendizaje (modelo MB-ResNet) para predecir el rendimiento horario del aeropuerto y toma el Aeropuerto Internacional Hartsfield-Jackson de Atlanta (ATL) como estudio de caso para demostrar el método desarrollado. Para indicar el clima convectivo, esta investigación utiliza datos del modelo Rapid Refresh (RAP) de la Administración Nacional Oceánica y Atmosférica (NOAA). Aunque es un producto de datos meteorológicos completo y poderoso, el RAP no se ha utilizado ampliamente en la investigación de la aviación. Este estudio demostró que los datos del RAP, después de ser cuidadosamente decodificados, limpiados y preprocesados, pueden desempeñar un papel significativo en la explicación de la variación de la eficiencia del campo de aviación. La aplicación de aprendizaje automático/aprendizaje profundo en la gestión del tráfico aéreo es un área que merece la atención de los investigadores de la aviación. Tales técnicas avanzadas de inteligencia artificial pueden aprovechar los grandes datos del sector de la aviación y mejorar la previsibilidad del sistema nacional de espacio aéreo y, en consecuencia, la eficiencia operativa. El rendimiento operativo del aeropuerto a corto plazo predicho en este estudio puede ser utilizado por los controladores de tráfico aéreo y los gerentes de aeropuertos para la asignación de recursos en los aeropuertos y mejorar las operaciones aeroportuarias.
Descripción
Se ha llevado a cabo una extensa investigación para predecir el tráfico anual de pasajeros, con el objetivo de proporcionar apoyo en la toma de decisiones para la construcción de aeropuertos, la adquisición de aeronaves, la gestión de recursos, la programación de vuelos, etc. Sin embargo, cómo el rendimiento operativo del aeropuerto se ve afectado por el clima convectivo en las cercanías del aeropuerto y cómo predecir el rendimiento operativo del aeropuerto a corto plazo no se ha estudiado bien. El clima convectivo cerca del aeropuerto podría hacer que las llegadas pierdan sus posiciones en la corriente de llegada y reduzcan la eficiencia del campo de aviación en términos de utilización de las capacidades de las pistas. Esta investigación utiliza un método basado en el aprendizaje (modelo MB-ResNet) para predecir el rendimiento horario del aeropuerto y toma el Aeropuerto Internacional Hartsfield-Jackson de Atlanta (ATL) como estudio de caso para demostrar el método desarrollado. Para indicar el clima convectivo, esta investigación utiliza datos del modelo Rapid Refresh (RAP) de la Administración Nacional Oceánica y Atmosférica (NOAA). Aunque es un producto de datos meteorológicos completo y poderoso, el RAP no se ha utilizado ampliamente en la investigación de la aviación. Este estudio demostró que los datos del RAP, después de ser cuidadosamente decodificados, limpiados y preprocesados, pueden desempeñar un papel significativo en la explicación de la variación de la eficiencia del campo de aviación. La aplicación de aprendizaje automático/aprendizaje profundo en la gestión del tráfico aéreo es un área que merece la atención de los investigadores de la aviación. Tales técnicas avanzadas de inteligencia artificial pueden aprovechar los grandes datos del sector de la aviación y mejorar la previsibilidad del sistema nacional de espacio aéreo y, en consecuencia, la eficiencia operativa. El rendimiento operativo del aeropuerto a corto plazo predicho en este estudio puede ser utilizado por los controladores de tráfico aéreo y los gerentes de aeropuertos para la asignación de recursos en los aeropuertos y mejorar las operaciones aeroportuarias.