• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Navegar

    Todo o repositórioComunidadesPor data do documentoAutoresAssuntosTítulos

    Minha conta

    Entrar

    Estatística

    Ver as estatísticas de uso

    Compartir

    Ver item 
    •   Página inicial
    • TRABALHO DE CONCLUSÃO DE ESTUDO
    • Trabajos Fin de Máster UVa
    • Ver item
    •   Página inicial
    • TRABALHO DE CONCLUSÃO DE ESTUDO
    • Trabajos Fin de Máster UVa
    • Ver item
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/71527

    Título
    Estudio y evaluación de arquitecturas Deep Learning para la predicción de trayectorias de vuelo
    Autor
    Cortés Jiménez, Gustavo
    Director o Tutor
    Martínez Prieto, Miguel AngelAutoridad UVA
    Bregón Bregón, AníbalAutoridad UVA
    Editor
    Universidad de Valladolid. Escuela de Ingeniería Informática de ValladolidAutoridad UVA
    Año del Documento
    2024
    Titulación
    Máster en Ingeniería Informática
    Resumo
    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.
    Palabras Clave
    Predicción de trayectorias de vuelo
    TSMixer
    Deep Learning
    Departamento
    Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
    Idioma
    spa
    URI
    https://uvadoc.uva.es/handle/10324/71527
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Máster UVa [7181]
    Mostrar registro completo
    Arquivos deste item
    Nombre:
    TFM-G1994.pdf
    Tamaño:
    11.65Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10