Machine learning for aircraft trajectory prediction: a solution for pre-tactical air traffic flow management

Abstract

(English) The goal of air traffic flow and capacity management (ATFCM) is to ensure that airport and airspace capacity meet traffic demand while optimising traffic flows to avoid exceeding the available capacity when it cannot be further increased. In Europe, ATFCM is handled by EUROCONTROL, in its role of Network Manager (NM), and comprises three phases: strategic, pre-tactical, and tactical. This thesis is focused on the pre-tactical phase, which covers the six days prior to the day of operations. During the pre-tactical phase, few or no flight plans (FPLs) have been filed by airspace users (AUs) and the only flight information available to the NM are the so-called flight intentions (FIs), consisting mainly of flight schedules. Trajectory information becomes available only when the AUs send their FPLs. This information is required to ensure a correct allocation of resources in coordination with air navigation service providers (ANSPs). To forecast FPLs before they are filed by the AUs, the NM relies on the PREDICT tool, which generates traffic forecasts for the whole European Civil Aviation Conference (ECAC) area according to the trajectories chosen by the same or similar flights in the recent past, without taking advantage of the information on AU choices encoded in historical data. The goal of the present PhD thesis is to develop a solution for pre-tactical traffic forecast that improves the predictive performance of the PREDICT tool while being able to cope with the entire set of flights in the ECAC network in a computationally efficient manner. To this end, trajectory forecasting approaches based on machine learning models trained on historical data have been explored, evaluating their predictive performance. In the application of machine learning techniques to trajectory prediction, three fundamental methodological choices have to be made: (i) approach to trajectory clustering, which is used to group similar trajectories in order to simplify the trajectory prediction problem; (ii) model formulation; and (iii) model training approach. The contribution of this PhD thesis to the state of the-art lies in the first two areas. First, we have developed a novel route clustering technique based on the area comprised between two routes that reduces the required computational time and increases the scalability with respect to other clustering techniques described in the literature. Second, we have developed, tested and evaluated two new modelling approaches for route prediction. The first approach consists in building and training an independent machine learning model for each origin destination (OD) pair in the network, taking as inputs different variables available from FIs plus other variables related to weather and to the number of regulations. This approach improves the performance of the PREDICT model, but it also has an important limitation: it does not consider changes in the airspace structure, thus being unable to predict routes not available in the training data and sometimes predicting routes that are not compatible with the airspace structure. The second approach is an airline-based approach, which consists in building and training a model for each airline. The limitations of the first model are overcome by considering as input variables not only the variables available from the FIs and the weather, but also airspace restrictions and route characteristics (e.g., route cost, length, etc.). The airline-based approach yields a significant improvement with respect to PREDICT and to the OD pair-based model, achieving a route prediction accuracy of 0.896 (versus PREDICT’s accuracy of 0.828), while being able to deal with the full ECAC network within reasonable computational time. These promising results encourage us to be optimistic about the future implementation of the proposed system.

(Català) L’objectiu de la gestió de demanda i capacitat de trànsit aeri (ATFCM per les sigles en anglès) és garantir que la capacitat aeroportuària i de l’espai aeri satisfacin la demanda de trànsit mentre s’optimitzen els fluxos per evitar excedir la capacitat disponible quan aquesta no es pot augmentar més. A Europa, l’ATFCM està a càrrec d’EUROCONTROL, i consta de tres fases: estratègica, pre-tàctica i tàctica. Aquesta tesi se centra en la pre-tàctica, que inclou els sis dies previs al dia d’operacions. Durant la fase pre-tàctica, els de l'espai aeri han presentat pocs o cap pla de vol i l’única informació sobre els vols disponible són els anomenats intencions de vol (principalment els horaris). La informació de la trajectòria només està disponible quan els usuaris envien els seus pla. Aquesta informació és necessària per assegurar una assignació correcta de recursos en coordinació amb els proveïdors de serveis de. Per predir els plans abans que siguin presentats, EUROCONTROL es recolza en l'eina PREDICT, que genera prediccions de trànsit d'acord amb les trajectòries escollides per vols similars el passat recent, sense aprofitar la informació sobre les decisions en dades històriques. L'objectiu de la present tesi doctoral és millorar l'exercici predictiu de l'eina PREDICT mitjançant el desenvolupament d'una eina que pugui gestionar tots els vols a Europa de manera eficient. Per fer-ho, s’han explorat diferents enfocaments de predicció de trajectòries basats en models d’aprenentatge automàtic entrenats amb dades històriques, avaluant l’exercici de la predicció. A l’hora d’aplicar les tècniques d’aprenentatge automàtic per a la predicció de trajectòries, s’han identificat tres eleccions metodològiques fonamentals: (i) el clustering de trajectòries, que s’utilitza per agrupar trajectòries similars per simplificar el problema de predicció de trajectòries; (ii) la formulació del model d’aprenentatge automàtic; i (iii) l’aproximació seguida per entrenar el model. La contribució d’aquesta tesi doctoral a l’estat de l’art es troba a les dues primeres àrees. Primer, hem desenvolupat una nova tècnica de clustering de rutes, basada en l’àrea compresa entre dues rutes, que redueix el temps computacional requerit i augmenta l’escalabilitat respecte a altres tècniques de clustering descrites a la literatura. En segon lloc, hem desenvolupat, provat i avaluat dos nous enfocaments de modelatge per a la predicció de rutes. El primer enfocament consisteix a construir i entrenar un model d’aprenentatge automàtic independent per a cada parell de d'aeroports a la xarxa, prenent com a entrades diferents variables disponibles de les intencions més altres variables relacionades amb el clima i el nombre de regulacions. Aquest enfocament millora el rendiment del model PREDICT, però també té una limitació important: no considera canvis en l’estructura de l’espai aeri, per la qual cosa no podeu predir rutes que no estan disponibles a les dades d’entrenament i, de vegades, podeu predir rutes que no són compatibles amb l’estructura de l’espai aeri. El segon enfocament, basat en les aerolínies, consisteix a construir i entrenar un model independent per a cada aerolínia. Les limitacions del primer model se superen en considerar com a variables d’entrada no només les variables disponibles dels intencions i el clima, sinó també les restriccions de l’espai aeri i les característiques de la ruta (p. ex., cost de la ruta, longitud, etc.). L’enfocament basat en aerolínies produeix una millora significativa respecte a PREDICT i al model basat en parells d'aeroports, aconseguint una precisió de predicció de ruta del 0,896 (comparant amb la precisió de PREDICT del 0,828), alhora que el problema pot escalar a tota l'àrea al complet amb un temps de computació raonable.

(Español) El objetivo de la gestión de demanda y capacidad de tráfico (ATFCM por sus siglas en inglés) es garantizar que la capacidad aeroportuaria y del espacio aéreo satisfagan la demanda de tráfico mientras se optimizan los flujos para evitar exceder la capacidad disponible cuando esta no se puede aumentar más. En Europa, el ATFCM está a cargo de EUROCONTROL y consta de tres fases: estratégica, pre-táctica y táctica. Esta tesis se centra en la pre-táctica, que abarca los seis días previos al día de operaciones. Durante la fase pre-táctica, los usuarios del espacio aéreo han presentado pocos o ningún plan de vuelo y la única información sobre los vuelos disponible para EUROCONTROL son las llamados Intenciones de vuelo, que consisten principalmente en los horarios. La trayectoria está disponible sólo cuando los usuarios envían sus planes. Esta información es necesaria para asegurar una correcta asignación de recursos en coordinación con los provedores de servicios de navegación aérea de los distintos estados. Para predecir los FPLs antes de que sean presentados, EUROCONTROL se apoya en la herramienta PREDICT, que genera predicciones de tráfico de acuerdo las trayectorias elegidas por vuelos similares en el pasado reciente, sin aprovechar la información sobre las decisiones en datos históricos. El objetivo de la presente tesis doctoral es mejorar el desempeño predictivo de la herramienta PREDICT mediante el desarrollo de una herramienta que pueda gestionar todos los vuelos en Europa de una forma eficiente. Para ello, se han explorado diferentes enfoques de predicción de trayectorias basados en modelos de aprendizaje automático. A la hora de aplicar las técnicas de aprendizaje automático para predicción de trayectorias, se han identificado tres elecciones metodológicas fundamentales: (i) el clustering de trayectorias, que se utiliza para agrupar trayectorias similares a fin de simplificar el problema de predicción de trayectorias; (ii) la formulación del modelo de aprendizaje automático; y (iii) la aproximación seguida para entrenar el modelo. La contribución de esta tesis doctoral al estado del arte se encuentra en las dos primeras áreas. Primero, hemos desarrollado una novedosa técnica de clustering de rutas, basada en el área comprendida entre dos rutas, que reduce el tiempo computacional requerido y aumenta la escalabilidad con respecto a otras técnicas de clustering en la literatura. En segundo lugar, hemos desarrollado, probado y evaluado dos nuevos enfoques de modelado para la predicción de rutas. El primer enfoque consiste en construir y entrenar un modelo de aprendizaje automático independiente para cada par de aeropuertos en la red, tomando como entradas diferentes variables disponibles de las intenciones de vuelo más otras variables relacionadas con la meteorología y el número de regulaciones. Este enfoque mejora el rendimiento del modelo PREDICT, pero también tiene una limitación importante: no considera cambios en la estructura del espacio aéreo, por lo que no xvii puede predecir rutas que no están disponibles en los datos de entrenamiento y, a veces, puede predecir rutas que no son compatibles con el estructura del espacio aéreo. El segundo enfoque, basado en las aerolíneas, consiste en construir y entrenar un modelo independiente para cada aerolínea. Las limitaciones del primer modelo se superan al considerar como variables de entrada no solo las variables disponibles de las FIs y la meteorología, sino también las restricciones del espacio aéreo y las características de la ruta (p. ej., coste de la ruta, longitud, etc.). El enfoque basado en aerolíneas produce una mejora significativa con respecto a PREDICT y al modelo basado en pares de aeropuertos, logrando una precisión de predicción de ruta de 0,896 (frente a la precisión de PREDICT de 0,828), a la vez que puede lidiar con toda la red en un tiempo de computación razonable. Estos prometedores resultados nos animan a ser optimistas sobre una futura implementación del sistema propuesto.