Estudio y evaluación de arquitecturas Deep Learning para la predicción de trayectorias de vuelo

Abstract

El avión es uno de los medios de transporte más utilizados en la actualidad. Sin embargo, la gestión del tráfico aéreo es compleja, por lo que resulta esencial predecir con precisión las trayectorias de vuelo para mejorar la seguridad, eficiencia y puntualidad de los viajes. El Aprendizaje Profundo (Deep Learning) es clave para mejorar estas predicciones, debido al elevado volumen de datos empleados. La información se organiza en “trayectorias 4d”, que tienen en cuenta el tiempo para posicionar a las aeronaves. Este Trabajo Fin de Máster se enfoca en desarrollar modelos de Deep Learning novedosos para predecir trayectorias de vuelo con mayor precisión. Las arquitecturas modeladas son TSMixer y Liquid Neural Networks (LNN), concretamente Closed-form Continuous-time Neural Networks (CfC), con las que se han obtenido resultados competitivos en la predicción de trayectorias de vuelo. Junto a esto, se diseña e implementa un visor de trayectorias 4D para facilitar el análisis visual de los resultados obtenidos.

Air travel is one of the most widely used means of transportation nowadays. However, air traffic management is complex, making it essential to accurately predict flight paths to improve travel safety, efficiency and punctuality. Deep Learning plays a crucial role in improving these predictions, due to the large volume of data involved. Information is organized into “4D trajectories”, which account for time to position aircraft. This project focuses on developing novel Deep Learning models to predict flight trajectories with greater accuracy. The architectures explored are TSMixer and Closed-form Continuous-time Neural Networks (CfC), which have demonstrated competitive results in flight trajectory prediction. Additionally, a 4D trajectory visualization tool is designed and implemented to facilitate the visual analysis of the obtained results.