Tesis:
Dynamic methodology for ATC Sector characterisation through predictions based on Machine Learning Techniques
- Autor: PÉREZ MORENO, Francisco
- Título: Dynamic methodology for ATC Sector characterisation through predictions based on Machine Learning Techniques
- Fecha: 2023
- Materia:
- Escuela: E.T.S.I. AERONÁUTICA Y DEL ESPACIO
- Departamentos: SISTEMAS AEROESPACIALES, TRANSPORTE AEREO Y AEROPUERTOS
- Acceso electrónico: https://oa.upm.es/77387/
- Director/a 1º: ARNALDO VALDÉS, Rosa María
- Resumen: In recent years, there has been an increase in traffic demand. This means that the balance between the capacity of the Air Traffic Control system and traffic demand is affected. As demand exceeds capacity, measures such as the Air Traffic Flow and Capacity Management regulations have emerged to reduce the number of flights in the airspace. This congested environment makes airspace an increasingly complex environment. Complexity is a topic widely studied by researchers all over the world. Typically, complexity is related to the number of flights, but complexity is really more than just an indicator of the amount of traffic. Complexity takes into account flights interactions, regulations and airspace structure, among many other variables. It is for this reason that complexity is closely related to the workload of Air Traffic Controllers. Despite being a topic of great interest, a universal indicator of complexity has not yet been defined.
For this reason, the objective of this thesis is: "To develop a model for characterising sectors according to their complexity, based on the behaviour of the main traffic flows of the sector, and which can be used in any time horizon".
After an analysis of the state of the art on the topic of complexity, certain strengths and weaknesses of the present complexity indicators have been identified. This, together with operational knowledge, has allowed the development of a methodology that, based on traffic, can determine the main traffic flows in the sector, then the impact they have on the operation of the sector, and finally the complexity of the sector.
This methodology, together with the application of Exploratory Data Analysis, makes it possible to characterise sectors by their complexity and flows by their impact, but in a historical time horizon. In order to apply this methodology to a future time horizon, the use of Machine Learning tools is required. Machine learning models allow the prediction of operational variables that complete the flight planning information. With these predicted variables, the methodology can be applied to future time horizons, both strategic and tactical. In this way, the complexity characterisation methodology can also be applied to a future time horizon.
This methodology can help the Air Traffic Management service to analyse traffic sectors, and thus to optimise the sectorisation it carries out according to the operation it foresees. Thanks to the future application of the methodology, the Air Traffic Control service can see which possible flows or sectors will be congested and thus allocate resources optimally, but also simulations of different scenarios can be made to analyse how the operation changes, and thus structure the traffic prior to the operation. Furthermore, the development of the methodology can help academia in its efforts to find a complexity indicator, having made a review of weaknesses and strengths of previous indicators and developing this methodology around them. This thesis can also help to advance in the prediction of operational variables, having developed machine learning models for this purpose.
RESUMEN
En los últimos años, se ha producido un incremento en la demanda de tráfico. Esto hace que el equilibrio entre la capacidad del sistema Air Traffic Control, y la demanda de tráfico se vea afectado. Al superar la demanda a la capacidad, surgen medidas como las regulaciones Air Traffic Flow and Capacity Management que tratan de reducir la cantidad de aeronaves en el espacio aéreo. Este entorno tan congestionado hace que el espacio aéreo sea un entorno cada vez más complejo. La complejidad es un tópico ampliamente estudiado por investigadores de todo el mundo. Normalmente, la complejidad está relacionada con el número de aeronaves, pero realmente la complejidad es más que simplemente un indicador de cantidad de tráfico. La complejidad tiene en cuenta interacciones entre aeronaves, regulaciones y la estructura del espacio aéreo, entre otras muchas variables. Por este motivo es que la complejidad está íntimamente relacionada con la carga de trabajo de los Air Traffic Controllers. A pesar de ser un tópico de gran interés, no se ha llegado en la actualidad a la definición de un indicador universal de complejidad.
Por este motivo, en esta tesis se marca el objetivo de: Desarrollar un modelo de caracterización de sectores según su complejidad, basado en el comportamiento de los flujos de tráfico principales del sector, y que puede ser utilizado en cualquier horizonte temporal.
Tras haber realizado un análisis del estado del arte en el tópico de la complejidad, se han determinado ciertas fortalezas y debilidades que los indicadores de complejidad presentes tienen. Esto, junto con el conocimiento operacional, ha permitido desarrollar una metodología que, a partir del tráfico, pueda determinar los flujos de tráfico principales del sector, posteriormente el impacto que estos tienen en la operación del sector, y por último la complejidad del sector.
Esta metodología, junto con la aplicación del Análisis Exploratorio de Datos, permite caracterizar los sectores por su complejidad y los flujos por su impacto, pero en un horizonte temporal histórico. Para poder aplicar esta metodología a un horizonte temporal futuro, se necesita la utilización de herramientas de Machine Learning. Los modelos de machine learning permiten la predicción de variables operacionales que completan la información de la planificación de vuelos. Con estas variables predichas, se puede aplicar la metodología a horizontes temporales futuros, tanto estratégicos como tácticos. De esta forma, la metodología de caracterización por complejidad también puede ser aplicada a un horizonte temporal futuro.
Esta metodología puede ayudar al servicio Air Traffic Management a analizar los sectores de tráfico, y de esta forma poder optimizar la sectorización que lleva a cabo según la operación que prevea. Gracias a la aplicación futura de la metodología, el servicio Ait Traffic Control puede ver qué posibles flujos o sectores estarán congestionados y así asignar recursos de forma óptima, pero también se pueden hacer simulaciones de diferentes escenarios para analizar cómo cambia la operación, y así estructurar el tráfico de forma previa a la operación. Además, el desarrollo de la metodología puede ayudar a la academia en sus esfuerzos por encontrar un indicador de complejidad, al haber hecho una revisión de debilidades y fortalezas de anteriores indicadores y desarrollar esta metodología en torno a ellos. Esta tesis también puede ayudar a avanzar en la predicción de variables operacionales, al haber desarrollado modelos de machine learning con este objetivo.