Mag. Marko Hrastovec bo v sredo, 20. junija 2018, ob 10.15 zagovarjal doktorsko disertacijo z naslovom Napovedovanje letalskih trajektorij za potrebe kontrole zračnega prometa s pristopi strojnega učenja. 

Zagovor bo potekal v Diplomski sobi na Fakulteti za računalništvo in informatiko UL.

Vljudno vabljeni!

Povzetek:

Zračni promet se spopada z velikimi izzivi za prihodnost. Zaradi ekonomske krize so se povečali pritiski na znižanje stroškov, medtem ko se na drugi strani pojavljajo zahteve za vlaganja v raziskave in razvoj, ki bodo omogočile varno delovanje ob predvidenem povečanju prometa. Eno od področij, ki se pojavlja v skoraj vseh načrtih za prihodnost, je boljše računanje trajektorij letal, oziroma boljše vedenje o tem, kje se bo letalo nahajalo ob določenem času. Ko vemo, kje letala bodo, lahko načrtujemo in optimiziramo varne zračne poti dlje v prihodnost, kar je zelo pomembno za vedno gostejši promet. Letalski prevozniki minimizirajo stroške z načrtovanjem optimalnih poti. Pri tem upoštevajo mnogo dejavnikov, kot so vremenske napovedi in omejitve v zračnem prostoru. Ne morejo pa upoštevati ostalega prometa. Kontrola zračnega prometa s pregledom nad vsemi letali skrbi za varno uporabo zračnega prostora. Kontrolorji se odločajo glede na trenutno stanje in po potrebi letala preusmerijo z načrtovane optimalne poti zaradi drugih letal v bližini. Opisan model kmalu ne bo več zmožen zagotavljati dovolj prepustnosti zračnega prostora za vsa letala, ki bi želela leteti.

Naša raziskava je delček v mozaiku napovedovanja trajektorij letal in optimizacije zračnega prostora. V prihodnosti si bodo letala izmenjevala podatke o zračnih poteh s kontrolo na tleh in bodo letela po načrtu, ki bo optimiziran tudi glede na ostali promet. Ker je zračni promet zelo reguliran, vsaka sprememba vzame ogromno časa. Do predvidenih sprememb moramo uvesti majhne izboljšave v okviru trenutnega sistema, s katerimi bomo bolje napovedovali trajektorije, ki bodo omogočale načrtovanje in optimizacijo zračnega prometa ter povečanje propustnosti zračnega prostora.

Dejanske poti letenja letal snemamo z radarji in jih hranimo za poznejšo uporabo. Z novimi radarji Mode-S lahko dobimo z letal tudi nekaj vremenskih podatkov. Podatke o letalskih zmogljivostih izračunamo iz shranjenih letalskih poti. Obogatimo jih še z vremenskimi podatki in načrti letov. Načrti letov vsebujejo pomembne informacije o tipu letala, prevozniku, načrtovani poti in še mnogo drugega. S tem dobimo veliko podatkovno bazo znanja o preteklih letih. Ko pričakujemo nov let, v podatkovni bazi poiščemo lete, ki so podobni temu, ki
ga pričakujemo. Če znamo poiskati lete s podobnimi letalnimi karakteristikami, lahko napovemo zmogljivosti prihajajočega leta in lahko izračunamo načrtovano trajektorijo leta.
S trenutno uporabljanimi metodami za izračun vedno napovemo enako trajektorijo za isti tip letala in isto pot, ker imamo na voljo le nominalne vrednosti za določen tip letala.
Nominalne vrednosti so določene tako, da so najboljši približki letov, ki so jih imeli na razpolago snovalci sistema. Leti v našem zračnem prostoru pa so drugačni. Naš cilj je napovedati boljše vhodne parametre za izračun trajektorij s pomočjo vedenja o shranjenih preteklih letih in izračunati trajektorije, ki bodo bližje dejanskim potem letenja.

Z našo rešitvijo upoštevamo vidike, kot so upravljavec letala, končna destinacija, čas letenja, itd., in vsakič napovemo drugačno trajektorijo, ki je prilagojena točno določenemu letu. Našteti atributi ne vplivajo neposredno na let. Končna destinacija, na primer, določa dolžino leta in s tem vpliva na to, koliko goriva bo na krovu letala. Več goriva pomeni večjo težo in drugačne letalne lastnosti. Podobno lahko sklepamo, da letalske družbe letijo različno. Nizkocenovni prevozniki običajno vozijo potnike z manj osebne prtljage, kar vpliva na težo. Vsi ti in podobni dejavniki niso lahko merljivi, a vplivajo na letalske zmogljivosti.

Da bi našli lete v podatkovni bazi, ki so najbližje napovedanemu letu, uporabljamo strojno učenje. S predpostavko, da leti s podobnimi lastnostmi letijo podobno, pričakujemo, da bomo napovedovali točnejše trajektorije kot s statičnimi modeli in nominalnimi parametri. Preizkusili smo mnogo algoritmov strojnega učenja za to vrsto podatkov in našli najprimernejše. Prilagodili smo standardne algoritme strojnega učenja za naše potrebe in za veliko količino podatkov, ki jih imamo.

Napovedi strojnega učenja smo namesto nominalnih vrednosti vnesli v najbolj uveljavljen model za izračun trajektorij. Metode, ki za izračune uporabljajo le tip letala, se redno uporabljajo v letalstvu, a jim primanjkuje zmožnosti, da bi se prilagodile posameznemu letu. Taka statična in toga uporaba je po našem mnenju glavni vzrok slabih napovedi.

Rezultati kažejo, da so naše napovedi, ki so prilagojene posameznemu letu, natančnejše. Pokazali smo, da so rezultati naših metod primerljivi z najboljšimi standardnimi metodami strojnega učenja.

Rešitev je narejena kot storitev, ki ji uporabniki lahko pošljejo podrobnosti o letu in dobijo nazaj prilagojene parametre o predvidenih zmogljivostih tega leta. Ker so parametri v enaki obliki kot v najbolj uporabljanem modelu Base of Aircraft Data (BADA), lahko obstoječe aplikacije uporabijo storitev namesto nominalnih parametrov. S tem bi izboljšale svoje napovedi le z majhnim posegom. Metode izračuna trajektorij lahko ostanejo nespremenjene. Dobile bi le boljše vhodne parametre in bi zato nudile
točnejše izračune trajektorij.

Mentor: prof. dr. Franc Solina

Komisija za zagovor:

prof. dr. Bojan Orel, predsednik

prof. dr. Marko Robnik Šikonja, član

prof. dr. Branko Šter, član

prof. dr. ir. Jacco M. Hoekstra, član