Predicción de separaciones en aeronaves mediante redes bayesianas

Álvarez Suárez, Ana (2017). Predicción de separaciones en aeronaves mediante redes bayesianas. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Predicción de separaciones en aeronaves mediante redes bayesianas
Author/s:
  • Álvarez Suárez, Ana
Contributor/s:
  • Fernández del Pozo, Juan Antonio
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: July 2017
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (1MB) | Preview

Abstract

A través del análisis de la inmensa cantidad de datos con los que nos encontramos hoy día en los sistemas de navegación aérea podemos tratar de mejorar la seguridad en la aviación. Uno de los principales incidentes de seguridad del cual existen datos es la pérdida de separación, cuyas causas subyacentes no han recibido aún extensivos estudios desde el mundo académico. Una pérdida de separación se define como un con icto entre un par de aviones en los que la distancia mínima legal definida entre ambos ha sido violada. En minería de datos predictiva, uno de los posibles enfoques de aprendizaje supervisado es el enfoque probabilístico. Una red bayesiana es el tipo más importante de modelo gráfico probabilístico, entre cuyas ventajas encontramos el hecho de que permite, idealmente, un mayor entendimiento del problema al mostrar relaciones causales. En el presente trabajo se ha logrado la obtención de una red bayesiana que represente las relaciones entre las posibles circunstancias consideradas en la producci ón de una pérdida de separación dada una aproximación, y las prediga con un buen porcentaje de aciertos, un 77 %, y buenas características como clasificador (área bajo la curva y calibración). La red bayesiana final se obtuvo tras la consideraci ón y comparación con las diferentes opciones de aprendizaje que incluía el software utilizado, GeNIe. Todo ello gracias a a la obtención y preprocesamiento de un amplio histórico de datos (32 variables y casi 4000 instancias) a través del cruce de diversas fuentes de información aeronáuticas, del uso y modificación de algoritmos de comparación de trayectorias a partir de los existentes en la herramienta PERSEO de la empresa de investigación y desarrollo en navegación áerea CRIDA A.I.E , en colaboración con la cual se ha llevado a cabo este proyecto. Aunque este trabajo suponga únicamente una primera aproximación al problema, altamente simplificado, gracias a la interpretación de la red bayesiana se han identificado algunos de los factores que más afectan a la producción de una pérdida se separación (y cómo lo hacen): la sectorización, el momento del año, la temperatura isobárica, la altura a la que se produjo y las velocidades en vertical en el momento de la aproximación. El objetivo último del estudio de las pérdidas de separación es la construcción de un sistema de alerta para ayudar a los controladores aéreos.---ABSTRACT---Aviation safety can be improved by the analysis of the immense amount of data available in air navigation systems nowadays. One of the main incidents for which lots of data can be found is the loss of separation, whose underlying causes have not yet received extensive studies from the academic world. A loss of separation is defined as a con ict between a pair of aircrafts in which the minimum specifi ed separation between them has been violated in controlled airspace. In the field of predictive data mining, one of the possible approaches in supervised learning is the probabilistic approach. Bayesian networks are the most important type of probabilistic graphical models, whose main advantage is the fact that it ideally allows a greater understanding of the problem by showing causal relations. In the present work, we have derived a Bayesian network that represents the relationships between the possible circumstances considered in the occurrence of a loss of separation given an approximation, and predicts them with a good percentage of hits, 77 per cent, and good characteristics as classifier - area under the curve and calibration. The final Bayesian network was obtained after comparison of the diferent learning options that included the software used, GeNIe. For this, a preprocessing task was performed accounting for considerable dataset { 32 variables and almost 4000 instances { through diferent sources of aeronautical information and the use and modification of algorithms of trajectory comparison from those existing in the PERSEO tool of the R&D air navigation company CRIDA AIE, in cooperation with which this project has been carried out. Although this work is only a first approach to the problem, highly simplified, thanks to the interpretation of the Bayesian network we have identified some of the factors that most affect the production of a loss of separation: sector configuration, time of the year, isobaric temperature, ight level at which it happened, and vertical velocities at that time. The main goal of this study of separation losses is the construction of an alert system to assist air trafic controllers.

More information

Item ID: 47929
DC Identifier: http://oa.upm.es/47929/
OAI Identifier: oai:oa.upm.es:47929
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 02 Oct 2017 06:41
Last Modified: 02 Oct 2017 06:41
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM