Multi-route aircraft trajectory prediction using temporal fusion transformers

Abstract

La predicción de trayectorias desempeña un papel fundamental en la gestión moderna del tráfico aéreo. La capacidad de predecir la posición futura de las aeronaves en vuelo permite una mayor previsibilidad, seguridad y eficacia. En los últimos años, las redes neuronales recurrentes, y en particular las LSTM (Long-Short Term Memory), se han aplicado con éxito (solas o en combinación con otros tipos de redes) a este problema. Sin embargo, la criticidad de la supervisión de estas operaciones y la dificultad de predecir trayectorias en zonas de alta densidad de tráfico, como el Área Terminal alrededor de los aeropuertos, requieren métodos de alta precisión que tengan en cuenta todos los factores que intervienen en estas operaciones. En este artículo, proponemos una arquitectura basada en el Transformador de Fusión Temporal (TFT) para la predicción de trayectorias a largo plazo y multirruta utilizando datos de vigilancia (Automatic Dependent Surveillance - Broadcast, ADS-B). Llevamos a cabo nuestros experimentos en el caso de estudio del aeropuerto de Madrid Barajas-Adolfo Suárez (España), utilizando nueve meses de datos. En concreto, nos centramos en la predicción de los próximos 150 segundos en cualquier punto de la trayectoria de los vuelos que llegan a este aeropuerto. En comparación con otras redes LSTM desarrolladas en este trabajo, TFT proporciona una mayor precisión para el posicionamiento 2D, con errores absolutos medios de 0,0091 y 0,0104 grados para la latitud y la longitud, respectivamente, en el Área Terminal del aeropuerto de destino. Estos resultados han demostrado ser competitivos, o incluso superiores, a los de otros métodos más consolidados.

Trajectory prediction plays a key role in modern air traffic management. The ability to predict the future position of aircraft in flight allows for greater predictability, safety and efficiency. In recent years, recurrent neural networks, and particularly LSTM (Long-Short Term Memory), have been successfully applied (alone or in combination with other kinds of network) to this problem. However, the criticality of the supervision of these operations and the difficulty of predicting trajectories in high density traffic zones, such the Terminal Area around the airports, require high accuracy methods that takes into account all factors involved in these operations. In this paper, we propose an architecture based on Temporal Fusion Transformer (TFT) for multi-route, long-term trajectory prediction using surveillance data (Automatic Dependent Surveillance - Broadcast, ADS-B). We conduct our experiments on the case study of the Madrid Barajas-Adolfo Suárez airport (Spain), using nine months worth of data. In particular, we focus on predicting the next 150 seconds at any point in the trajectory for flights arriving at this airport. Compared with other LSTM networks developed in this work, TFT provides an increased accuracy for 2D positioning, with mean absolute errors of 0.0091 and 0.0104 degrees for latitude and longitude, respectively, in the Terminal Area of the destination airport. These results have been shown to be competitive with, or even superior to, more consolidated approaches based on LSTM networks that have been proposed for single route, short-term predictions.