On the use of Deep Neural Networks to improve flights estimated time of arrival predictions

Abstract

La previsibilidad de las operaciones es la base de una gestión eficaz del tráfico aéreo. En este contexto, estimar con precisión la hora de llegada al aeropuerto de destino es fundamental para tomar decisiones tácticas sobre una programación óptima de las operaciones de aterrizaje y despegue. En este trabajo, evaluamos diferentes modelos de aprendizaje profundo basados en arquitecturas LSTM para predecir la hora estimada de llegada de vuelos comerciales, utilizando principalmente datos de vigilancia de OpenSky Network. Observamos que el número de estados previos del vuelo utilizados para realizar la predicción tiene gran influencia en la precisión de la estimación, independientemente de la arquitectura. El mejor modelo, con una longitud de secuencia de entrada de 50, ha registrado un MAE de 3,33 min y un RMSE de 5,42 min en el conjunto de prueba, con valores de MAE de 5,67 y 2,13 min 90 y 15 min antes del final del vuelo, respectivamente.

Predictable operations are the basis of efficient air traffic management. In this context, accurately estimating the arrival time to the destination airport is fundamental to make tactical decisions about an optimal schedule of landing and take-off operations. In this paper, we evaluate different deep learning models based on LSTM architectures for predicting estimated time of arrival of commercial flights, mainly using surveillance data from OpenSky Network. We observed that the number of previous states of the flight used to make the prediction have great influence on the accuracy of the estimation, independently of the architecture. The best model, with an input sequence length of 50, has reported a MAE of 3.33 min and a RMSE of 5.42 min on the test set, with MAE values of 5.67 and 2.13 min 90 and 15 min before the end of the flight, respectively.