RT info:eu-repo/semantics/bachelorThesis
T1 Predicción de trayectorias de aeronaves empleando algoritmos de Deep Learning
A1 Peñas Pérez, Irene
A2 Universidad de Valladolid. Facultad de Ciencias SocialesJurídicas y de la Comunicación
K1 Predicción de trayectorias
K1 Gestión del tráfico aéreo
K1 Aprendizaje Profundo
K1 Redes Neuronales Convolucionales
K1 Long Short-Term Memory (LSTM)
K1 3301.04 Aeronaves
K1 1203.17 Informática
AB A día de hoy, el avión es el medio de transporte más utilizado del mundo. Miles de aviones sobrevuelan cada día los cielos de todo el mundo. Es por esto, que pueden surgir conflictos entre las diferentes aeronaves, cuando están en sus respectivas rutas hacia sus aeropuertos de destino.Sin embargo, es posible predecir y anticipar estos posibles problemas, gracias a la aplicación de algoritmos de Aprendizaje Profundo. Los datos que se han tomado para realizar el estudio pertenecen a un cuadrante hecho alrededor del Aeropuerto Adolfo Suárez Madrid-Barajas. El conjunto de datos pertenece a un total de 100 vuelos, en un periodo de tiempo de 10 días, del 1 de enero de 2020 al 10 de enero de 2020. Mediante dicha serie de datos de posición (latitud, longitud, y tiempo), que son recogidos mediante el sistema ADS-B (Automatic Dependent Surveillance- Broadcast), es posible crear unas matrices en las cuales se representa la trayectoria de la aeronave.Después, se puede entrenar un modelo, que estará formado por Redes Neuronales Convolucionales y LSTM (Long Short-Term Memory), el cual será capaz de predecir la próxima posición de la aeronave. En consecuencia, se podrán evitar posibles conflictos entre aeronaves, mejorando la seguridad de los aviones, además de mejorar los tiempos de llegada, ya que los aviones no tendrían cambios significativos en sus respectivos rumbos. Por otro lado se ahorraría combustible, y a su vez, sería mejor para el medio ambiente. Después de haber entrenado el modelo, secomprueba que éste predice satisfactoriamente las trayectorias de las aeronaves.Por otro lado, la metodología que se ha utilizado para llevar a cabo el proyecto ha sido UVagile, una metodología ágil, desarrollada para el ámbito académico. El proyecto se ha dividido en 5 sprints de aproximadamente la misma duración cada uno. Al final de cada sprint se ha entregado un incremento. Al final del último sprint, se ha entregado el incremento final.
YR 2022
FD 2022
LK https://uvadoc.uva.es/handle/10324/55658
UL https://uvadoc.uva.es/handle/10324/55658
LA spa
DS UVaDOC
RD 03-dic-2024