Deep learning techniques for demand-capacity balancing

Abstract

(English) Nowadays Air Navigation Service Providers (ANSPs) have to handle and accommodate a continuously increasing traffic demand in a scenario that is expected to be more time-efficient and cost-efficient. Meeting the demand with the available airspace capacity is one of the most challenging problems faced by Air Traffic Management (ATM). This collaborative Demand-Capacity Balancing process often ends up enforcing Air Traffic Flow Management (ATFM) regulations when capacity cannot be adjusted. The arrival traffic is spread out by assigning delays on the ground at the departure airport, and the arrivals are metered at the congested infrastructure. However, deciding whether and when regulations are needed is time-consuming and relies heavily on human knowledge. This leads to suboptimal and unnecessarily long regulation and, therefore, to the realization of unnecessary delay and underuse of the capacity. Over the years, many researchers have investigated new techniques to estimate better the complexity of a given Air Traffic Control (ATC) sector -- Traffic Volume (TV) -- or how to quantify the workload of the Air Traffic Controllers (ATCOs) to identify required ATFM regulations. Moreover, because of the huge impact of ATFM delays in the network, a wide variety of previous work can be found trying to optimize, improve, minimize, or predict the evolution of delays. The literature shows three main trends: proposals without any Artificial Intelligence (AI), using supervised Machine Learning or Reinforcement Learning (RL) techniques. However, there is a lack of work directly focusing on the identification of required ATFM regulations and their characteristics, and the proposed methods to smooth demand-capacity imbalances suffer from scalability issues. The main objective of this PhD thesis is to investigate the usage of AI techniques to identify and smooth DCB problems leading to ATFM regulations during the pre-tactical phase. That is when there is no available information from the Network Manager (NM) about required regulations and when levels of uncertainty are much higher. Different sets of frameworks are studied and developed, considering the needs and policies of different stakeholders. First, it is studied the identification of ATFM regulations at the TV level, using supervised techniques and developing a framework that aims to be used by the NM. The two most frequent regulations reasons are analyzed over two of the most congested European Civil Aviation Conference (ECAC) regions. Results reveal that the proposed architecture can identify almost all the regulations during the summer, which is probably the most congested season. Second, RL techniques are investigated to solve the previously identified ATFM regulation, focusing on scalability due to the usage of images. Finally, airlines are the stakeholders affected by ATFM regulations; thus, the potential benefits of identifying ATFM regulations at the flight level are also analyzed. Promising results show it is possible to predict ATFM characteristics using supervised techniques. Moreover, the models are integrated into a framework to assess the impact and severity of issued regulations to anticipate possible reactionary delays for specific aircraft frames. Overall, results prove it is possible to accurately predict ATFM regulations, the characteristics of such regulations, and automatize the smoothing process required to solve DCB issues. There are some factors to be considered that may limit the benefits of the proposed solutions, starting with data availability issues in some experiments. However, it is worth mentioning that the models have been tested under the most challenging European scenarios. Finally, deploying the proposed framework will be key to studying the benefits and impact of the proposed solution. Therefore, specific advice capabilities are proposed for the visualization of the results taking into account uncertainty.

(Català) Actualment, els proveïdors de serveis de navegació aèria han de gestionar i acomodar una demanda de tràfic aeri en constant creixement en un escenari que s'espera que sigui més eficient en temps i costos. Ajustar la demanda a la capacitat de l'espai aeri disponible és un dels problemes més complexos als quals s'enfronta la gestió del trànsit aeri. Aquest procés col·laboratiu de gestió de la capacitat sovint acaba imposant regulacions quan la capacitat no es pot ajustar. Assignant retards a l'aeroport de sortida, el trànsit es distribueix i les arribades es regulen a la infraestructura congestionada. Tot i això, decidir on i quan es necessita una regulació requereix temps i es basa en gran manera en el coneixement i l'experiència. Això porta a regulacions subòptimes i innecessàriament llargues, cosa que es tradueix en retards innecessaris i una no òptima utilització de la capacitat. Al llarg dels anys, molts investigadors han estudiat noves tècniques per estimar millor la complexitat d'un sector aeri – volum aeri – o com quantificar la càrrega de treball dels controladors aeris amb l'objectiu d'identificar les regulacions necessàries per a una correcta gestió del trànsit aeri. A causa del gran impacte que provoquen els retards a la xarxa, es poden trobar una gran varietat de treballs tractant d'optimitzar, millorar, minimitzar o predir l'evolució dels retards. La literatura mostra tres tendències principals: propostes sense intel·ligència artificial, enfocaments utilitzant aprenentatge automàtic supervisat o treballs explorant tècniques d'aprenentatge per reforç. Tot i això, hi ha una mancança de treballs que se centrin concretament en la identificació de les regulacions necessàries, i els mètodes proposats per suavitzar la demanda pateixen problemes d'escalabilitat. La finalitat principal d'aquesta tesi és investigar l'ús de tècniques d'intel·ligència artificial per identificar i resoldre desequilibri entre la demanda i la capacitat que requereixen la implementació de regulacions durant la fase pretàctica. És a dir, quan no hi ha informació disponible de l'administrador de la xarxa sobre regulacions requerides i quan els nivells d'incertesa són molt més alts. Primer, s'ha estudiat la identificació de regulacions a escala de sector aeri, fent servir tècniques supervisades i prototipant eines per l'entitat que gestiona l'espai aeri. S'estudien els dos tipus de regulacions més freqüents per a les regions més congestionades a Europa. Els resultats revelen que l'arquitectura proposada és capaç d'identificar gairebé totes les regulacions durant l'estiu, probablement la temporada més congestionada. Segon, s'investiguen tècniques d'aprenentatge per reforç en la resolució de les regulacions prèviament identificades, centrant-se en l'escalabilitat del sistema gràcies a l'ús d'imatges. Finalment, s'investiguen els potencials beneficis d'identificar les regulacions a escala de vol. En aquest últim cas, els resultats també mostren que és possible predir les característiques de les regulacions fent servir tècniques supervisades. A més, la integració dels models permet avaluar l'impacte i la gravetat de les regulacions emeses, anticipant possibles retards reaccionaris. En general, els resultats mostren que és possible predir amb precisió regulacions, les seves característiques i automatitzar el procés per suavitzar el tràfic quan es vol resoldre desequilibri entre la demanda i la capacitat. Hi ha alguns factors a tenir en compte que poden limitar els beneficis de les solucions proposades, començant pels problemes de disponibilitat de dades i el nombre d'estudis realitzats. No obstant això, les eines desenvolupades han estat provades en les regions europees més complexes. Finalment, desplegar les diferents eines desenvolupades seria clau per estudiar els beneficis i l'impacte de les solucions proposades. Per tant, s'han creat diferents eines per a la visualització dels resultats tenint en compte la incertesa de les solucions proporcionades.