Towards aircraft trajectory prediction using LSTM networks

Abstract

La predicción de trayectorias permite mejorar la previsibilidad, la seguridad y la eficiencia en las operaciones de gestión de tráfico aéreo. Las redes LSTM han sido aplicadas con éxito para realizar predicciones de trayectorias a corto plazo, pero la criticidad de la supervisión de estas operaciones en zonas de alta densidad de tráfico, como el área de control terminal (TMA) en torno a los aeropuertos, requiere métodos que proporcionen predicciones precisas a largo plazo. En este trabajo, proponemos una arquitectura basada en LSTM para la predicción de trayectorias utilizando datos de vigilancia (ADS-B). Realizamos nuestros experimentos sobre el caso de estudio de vuelos con llegada al aeropuerto Adolfo Suárez Madrid-Barajas (España), empleando datos correspondientes a nueve meses. En particular, nos centramos en predicciones a más largo plazo que el estado del arte, prediciendo los siguientes 150 segundos en cualquier punto de la trayectoria. Este modelo proporciona una mayor precisión en el posicionamiento 2D, con errores absolutos medios de 0,0238 y 0,0544 grados para la latitud y la longitud, respectivamente, en el TMA del aeropuerto de destino.

Trajectory prediction allows for better predictability, security and efficiency in the operations of the modern Air Traffic Management. LSTM networks have been successfully applied to make short-term trajectory predictions. However, the criticality of the supervision of these operations in high density traffic zones, such as the Terminal Maneuvering Area (TMA) around the airports, require methods that provide long-term, precise predictions. In this paper, we propose a LSTM-based architecture for trajectory prediction using surveillance data (ADS-B). We conduct our experiments on the case study of flights arriving at the Madrid Barajas-Adolfo Suárez airport (Spain), using nine months worth of data. In particular, we focus on longer-term predictions than the state of the art, predicting the next 150 seconds at any point in the trajectory. This model provides an increased accuracy for 2D positioning, with mean absolute errors of 0.0238 and 0.0544 degrees for latitude and longitude, respectively, in the TMA of the destination airport.