A deep learning-based approach for predicting in-flight estimated time of arrival

Abstract

La previsibilidad es clave para una gestión eficaz y segura del tráfico aéreo. En particular, estimar con precisión la hora de llegada de los vuelos de pasajeros en curso puede ayudar a los controladores de las terminales a planificar con antelación y optimizar las operaciones aeroportuarias en términos de seguridad y asignación de recursos. Aunque las simulaciones tradicionales basadas en la física siguen siendo ampliamente utilizadas, son complejas de modelar y a menudo no incluyen muchos factores que afectan al progreso de un vuelo. En este trabajo, proponemos un enfoque de aprendizaje profundo basado en LSTM que aprovecha la trayectoria 4D del vuelo y los datos meteorológicos en el aeropuerto de destino, para predecir con precisión la hora estimada de llegada. Evaluamos nuestro modelo en vuelos que llegan al aeropuerto Adolfo Suárez-Madrid Barajas (España), en los tres primeros trimestres de 2022, alcanzando un error absoluto medio de 2,65 min durante todo el vuelo y reportando predicciones competitivas a corto y largo plazo en diferentes horizontes espaciales y temporales.

Predictability is key for efficient and safe air traffic management. In particular, accurately estimating time of arrival for current passenger flights may help terminal controllers to plan ahead and optimize airport operations in terms of safety and resource allocation. While traditional physics-based simulations are still widely used, they are complex to model and often fail to include many factors affecting the progress of a flight. In this paper, we propose a deep learning approach based on LSTM that leverages the 4D trajectory of the flight and weather data at the destination airport, to accurately predict estimated time of arrival. We evaluate our model on flights arriving at Adolfo Suárez-Madrid Barajas airport (Spain), in the first three quarters of 2022, achieving a mean absolute error of 2.65 min over the entire flight and reporting competitive short- and long-term predictions at different spatial and temporal horizons.