Machine Learning Applied to Aircraft Trajectory Prediction
Apprentissage artificiel appliqué à la prévision de trajectoire d'avion
Résumé
The Eurocontrol organization forecasts a strong increase of the European air traffic till the year 2035. This growth justifies the development of new concepts and tools in order to ensure services to airspace users. Trajectory prediction is at the core of these developments. Among these tools, conflict detection and resolution tools use trajectory predictions to anticipate losses of separation between aircraft and propose solutions to air traffic controllers. For such applications, the time horizon of the prediction is about ten to twenty minutes. Among conflict detection and resolution algorithms, some are operated in ground-based systems. The trajectory predictions must then be computed using only the information that is available to ground systems. In these systems, the mass, the speed profile and the thrust setting are unknown. Thus, using a physical model, the trajectory predictions are computed using reference values for unknown parameters. In this context, we are focusing on the climb phase. In this phase these unknown parameters have a great influence on the aircraft trajectory. This work relies on a physical model of the aircraft performances : BADA, developed and maintained by Eurocontrol. It also provides reference values for unknown parameters such as the mass, the speed profile and the thrust setting. This widely used model is particularly inaccurate for the climb phase as the actual values for the unknown parameters might be very different from the reference values. In this thesis, we propose to estimate directly the mass, an unknown parameter, using a physical model and past points of the trajectory. We also use supervised learning methods in order to learn, from examples, some models predicting the unknown parameters (mass, speed profile and thrust setting). These different approaches are tested using Mode-C Radar data and Mode-S Radar data with different aircraft types. The obtained predictions are compared with the ones obtained with the BADA reference values. These predictions are also compared with predictions obtained by directly predicting the future altitude instead of the unknown parameters of the physical model. These methods, depending on the aircraft type, reduces the root mean square error on the predicted altitude at a 10 min horizon by 50 % to 85 % when compared to the root mean square error obtained using BADA with the reference values.
L'organisme Eurocontrol prévoit une forte hausse du trafic aérien européen d'ici l'année 2035. Cette hausse de trafic justifie le développement de nouveaux concepts et outils pour pouvoir assurer les services dus aux usagers de l'espace aérien. La prévision de trajectoires d'avion est au coeur de ces évolutions. Parmi ces outils, les outils de détection et résolution de conflits utilisent les trajectoires prédites pour anticiper les pertes de séparation entre avions et proposer des solutions aux contrôleurs aériens. L'horizon de prédiction utilisé pour cette application est de l'ordre de dix à vingt minutes. Parmi les algorithmes réalisant une détection et résolution de conflits, certains sont mis en œuvre au sol, obligeant ainsi les prédictions à être calculées en n'utilisant que les informations disponibles dans les systèmes sols. Dans ces systèmes, la masse des avions ainsi que les profils de vitesse ou de poussée des moteurs ne sont pas connus. Ainsi, le calcul d'une trajectoire prédite avec un modèle physique se fait en utilisant des valeurs de référence pour les paramètres inconnus. Dans ce cadre, nous nous intéressons à la phase de montée pour laquelle ces paramètres influent grandement sur la trajectoire de l'avion. Ce travail s'appuie sur le modèle physique BADA développé et maintenu par Eurocontrol. Ce modèle physique modélise, entre autres, les performances des avions. Il fournit également des valeurs de référence pour les paramètres inconnus comme la masse de l'avion, son profil de vitesse en montée, ou la commande de poussée des moteurs. Ce modèle, largement utilisé dans le monde entier, est particulièrement imprécis pour la phase de montée, car les valeurs réelles de ces paramètres sont parfois très éloignées des valeurs de référence. Dans cette thèse, nous proposons soit d'estimer directement certains paramètres, comme la masse, à partir des points passés de la trajectoire, soit d'utiliser des méthodes d'apprentissage supervisé afin d'apprendre, à partir d'exemples, des modèles prédisant les valeurs des paramètres manquants (masse, loi de poussée, vitesses cibles). Ces différentes méthodes sont testées sur des données radar Mode-C et Mode-S sur plusieurs types d'avions. Les prédictions obtenues avec ces méthodes sont comparées à celles obtenues avec les paramètres de référence. Elles sont également comparées avec les prédictions obtenues par des méthodes de régression prédisant directement l'altitude de l'avion plutôt que les paramètres du modèle physique. Nos méthodes permettent de réduire, suivant le type de l'avion, de 50 % à 85 % par rapport à la méthode BADA de référence, la racine de l'erreur quadratique moyenne sur l'altitude prédite à un horizon de dix minutes.
Loading...