Improving efficiency of trajectory-based operations for air traffic management using deep learning

Abstract

Trajectory-Based Operations (TBO) are the cornerstone of contemporary Air Traffic Management (ATM) systems, aiming to enhance operational efficiency, predictability, and safety through the strategic management of flight trajectories. TBO define flight trajectories as 4D-trajectories, where each point in the flight path is defined through its latitude, longitude, altitude and time. Hence, the use of airspace capacity can be optimized by strategically planning the flights not only from the perspective of the aircraft position, but also of the time. 4D trajectories can be enriched with additional flight information to provide a more holistic representation of flights. However, this information is scattered and harmonizing it in an integrated representation is yet to be achieved.

This thesis addresses the challenge of leveraging heterogeneous data sources to generate high-quality 4D trajectories, and explores their potential to improve ATM operations through a data-driven approach based on deep learning. We first design a conceptual data model tailored to represent the most critical elements of ATM flight operations. This model encompasses multiple domains, including surveillance data, flight plans, meteorological information, and airport infrastructures, ensuring a unified representation of the foundations of ATM. A data integration architecture is developed to process data from heterogeneous sources and reconstruct enriched 4D trajectories conforming to the defined data model. The data quality is thoroughly evaluated to ensure that the data is complete, precise and reliable, with special attention to the position and time where it is missing or incorrect.

The thesis further investigates the applicability of these enriched 4D trajectories in addressing critical operational challenges within ATM, and does so by proposing specific deep learning architectures that model 4D trajectories as time series. Two primary use cases are identified: the estimation of arrival times (ETA) for en-route flights and the prediction of flight trajectories, since both represent core elements of TBO and are vital for improving air traffic flow management, reducing delays, and optimizing resource allocation in congested airspace. We focus on flights arriving at the Madrid Barajas-Adolfo Suárez Airport (Spain) as our case study to exemplify and validate our proposal. The time of arrival at the destination airport for en-route flights can be reliably estimated based on the current state of the flight, together with other factors influencing over the flight, such as weather and schedule data. Our approach based on Long Short-Term Memory networks (LSTM) has improved the current state of the art, providing longer term and more accurate predictions, at any point in the trajectory, than existing methods with a mean error of 2.67 minutes versus the 3.67 minutes of the state of the art. A similar approach can be applied to predict the trajectory of a flight, as the future positions can be predicted based on the past positions of the flight. The state of the art methods provide results with a mean error of 0.005 and 0.01 nautical miles (0.92 and 1.85 kilometres) for latitude and longitude predictions, respectively, but does so by focusing on a single route (repetitive flights between two airports). In contrast, our solution apply Temporal Fusion Transformers to achieve a similar precision at predicting the 2D position for all flights arriving at a specific airport, regardless of their origin.

The outcomes of this thesis not only satisfy our research hypothesis and objectives, but also contribute to advancing the state of the art by demonstrating how enriched 4D trajectories, derived from a comprehensive data integration pipeline, can serve as the foundation for innovative, data-driven solutions for critical Trajectory Based Operations in the increasingly complex context of the global Air Traffic Management.

Las Operaciones Basadas en Trayectorias (en inglés, TBO) son el pilar fundamental de los actuales sistemas de Gestión del Tráfico Aéreo (ATM), y tiene como objetivos mejorar la eficiencia operacional, la predictibilidad del espacio aéreo y la seguridad mediante la planificación estratégica de los vuelos. Las TBO definen las trayectorias de vuelo como Trayectorias-4D, en las que cada posición se caracteriza por su latitud, su longitud, su altura y su marca de tiempo. Así, se puede optimizar la utilización de la capacidad del espacio aéreo mediante una planificación estratégica que tenga en cuenta no solo el camino que siguen los aviones, sino también en qué momento lo hacen. Además, estas trayectorias pueden ser enriquecidas con información para proporcionar una descripción completa del vuelo. Sin embargo, esta información se encuentra dispersa, y consolidarla en una representación integral es todavía un reto.

La tesis aborda el problema de generar trayectorias 4D de alta calidad a partir de fuentes de datos heterogéneas, y persigue valorar su potencial para la mejora operacional del ATM mediante un enfoque dirigido por datos y basado en aprendizaje profundo. En primer lugar, se diseña un modelo conceptual para representar los principales conceptos relacionados con las operaciones de vuelo. Este modelo comprende múltiples dominios, como los datos de vigilancia, planes de vuelo, meteorología e infraestructuras, alcanzando una representación unificadora de los fundamentos del ATM. Los datos extraídos de las respectivas fuentes se integrarán mediante un flujo de transformación en concordancia con el modelo diseñado. Además, durante todo el proceso se evalúa y mejora la calidad de los datos, con especial atención a los datos de tiempo y posición.

Esta tesis también explora la aplicación de las trayectorias 4D obtenidas para la mejora de operaciones críticas en ATM, utilizando arquitecturas de aprendizaje profundo específicas que permiten analizar las trayectorias como series temporales. En particular, abordamos la estimación de tiempos de llegada y la predicción de trayectorias para aviones en vuelo, puesto que ambos son claves en TBO, y su importancia es crítica para mejorar el flujo de tráfico aéreo, minimizar retrasos y optimizar el uso de recursos en el espacio aéreo. En particular, nos enfocamos en los vuelos con destino el aeropuerto Madrid Barajas-Adolfo Suárez con el fin de evaluar y validar nuestra propuesta. El tiempo de llegada a destino se puede estimar de manera fiable a partir del estado del vuelo en cada momento, incluyendo información contextual como la meteorología o la planificación del vuelo. Nuestra propuesta se basa en redes Long Short-Term Memory, y es capaz de predecir, en cualquier punto de la trayectoria, con mayor precisión y antelación que otros métodos del estado del arte, con un error absoluto medio de 2,67 minutos en lugar de los 3,67 minutos actuales. Nuestra propuesta para la predicción de trayectorias adopta un enfoque similar, puesto que es posible predecir las posiciones futuras del avión a partir de la trayectoria que sigue el avión. El estado del arte predice la latitud y la longitud con un error absoluto medio de 0,92 y 1,85 kilómetros, respectivamente, pero al precio de ser aplicable únicamente a vuelos entre dos aeropuertos concretos (una ruta). Nuestra propuesta, basada en la arquitectura Temporal Fusion Transformers, es capaz de predecir la posición 2D con la misma precisión para todos los vuelos que lleguen a un aeropuerto, independientemente de su origen.

Los resultados de esta tesis han permitido validar la hipótesis de investigación inicial y alcanzar sus objetivos, puesto que han demostrado cómo la reconstrucción de trayectorias 4D enriquecidas puede contribuir al desarrollo de soluciones dirigidas por datos en un contexto cada vez más complejo como el ATM global.