Aplicación de técnicas de Deep Learning para la predicción de tiempo de ocupación de pista durante aterrizajes

Millán García, Antonio (2020). Aplicación de técnicas de Deep Learning para la predicción de tiempo de ocupación de pista durante aterrizajes. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Aplicación de técnicas de Deep Learning para la predicción de tiempo de ocupación de pista durante aterrizajes
Author/s:
  • Millán García, Antonio
Contributor/s:
  • Mateos Caballero, Alfonso
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: June 2020
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 (2MB) | Preview

Abstract

Con la demanda de los últimos años en cuanto a tráfico aéreo, se hace imperativo buscar formas de aumentar el rendimiento de los aeropuertos para poder gestionar un mayor número de vuelos por unidad de tiempo. Uno de los aspectos que ralentiza al resto de áreas son las gestiones llevadas a cabo por los controladores aéreos, debido a la poca automatización con la que cuentan los trabajos que desempeñan. Este Trabajo de Fin de Máster intenta paliar este problema, ofreciendo un sistema de ayuda al controlador. Este sistema proporcionará una estimación del tiempo que van a tardar en abandonar la pista de aterrizaje las aeronaves que se aproximan al aeropuerto. Para realizar esta predicción, se utilizan redes neuronales artificiales entrenadas con datos del Aeropuerto de Barcelona, del año 2017 al 2019. Esta información utilizada para entrenar los modelos se obtiene de varias fuentes: radar, sensores meteorológicos, el plan de vuelo y aproximaciones de algunos de los datos del radar. Este proyecto tiene un segundo objetivo, que es desarrollar diversos modelos para comparar el rendimiento entre ellos: Se entrena un modelo general, que es capaz de predecir vuelos en todas las pistas, y modelos específicos para cada una de las pistas. La premisa de la que se parte es que es probable que los modelos específicos de cada pista funcionen mejor que el modelo general, pero utilizar el modelo general reduce la complejidad de ejecución al tener solo un modelo sobre el que trabajar. Los resultados obtenidos son satisfactorios: En general, se obtienen predicciones con menos de 7 segundos de error en el 75 % de los casos, utilizando el modelo general y alguno de los específicos.---ABSTRACT---With the increasing demand in air traffic, it is necessary to look for ways to improve the throughput of the runways in airports, in order to be able to handle a higher number of flights per unit of time. One of the areas that slows down the rest of the system are the human-related ones, like the tasks that are performed by the air traffic controllers, due to the lack of automation of their jobs. This Master’s Thesis aims to mitigate this problem, offering a helping system to air traffic controllers. This system will provide an estimation of the runway occupancy time, or the time that an airplane which is approaching the airport needs to exit the landing track. In order to perform this prediction, artificial neural networks will be used, which will be trained with data obtained from the Airport of Barcelona, from 2017 to 2019. This input data will be obtained from different sources: Radars, weather sensors, flight plans and approximations of some of the data obtained by radars. This project has a second goal, which is developing various models to compare the performance of each one: A general model will be trained, which is capable of perform prediction in any of the runways, and specific models will be also created, which can only perform predictions in the runway that they have been trained with. The hypothesis in this project is that the specific models will make better predictions, but utilizing the general model will reduce the complexity of use, because only one model is needed. The results are satisfactory: In general, predictions with less than 7 seconds of error are obtained 75 % of the times, using the general model and some of the specific ones.

More information

Item ID: 65141
DC Identifier: http://oa.upm.es/65141/
OAI Identifier: oai:oa.upm.es:65141
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 30 Oct 2020 09:50
Last Modified: 30 Oct 2020 09:50
  • 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