RT info:eu-repo/semantics/article
T1 A deep learning-based approach for predicting in-flight estimated time of arrival
A1 Silvestre Vilches, Jorge
A1 Martínez Prieto, Miguel Angel
A1 Bregón Bregón, Aníbal
A1 Álvarez Esteban, Pedro César
K1 LSTM networks
K1 Air traffic management
K1 Estimated time of arrival
K1 1203.04 Inteligencia Artificial
AB La previsibilidad es clave para una gestión eficaz y segura del tráfico aéreo. En particular, estimar con precisión la hora de llegada de los vuelos de pasajeros en curso puede ayudar a los controladores de las terminales a planificar con antelación y optimizar las operaciones aeroportuarias en términos de seguridad y asignación de recursos. Aunque las simulaciones tradicionales basadas en la física siguen siendo ampliamente utilizadas, son complejas de modelar y a menudo no incluyen muchos factores que afectan al progreso de un vuelo. En este trabajo, proponemos un enfoque de aprendizaje profundo basado en LSTM que aprovecha la trayectoria 4D del vuelo y los datos meteorológicos en el aeropuerto de destino, para predecir con precisión la hora estimada de llegada. Evaluamos nuestro modelo en vuelos que llegan al aeropuerto Adolfo Suárez-Madrid Barajas (España), en los tres primeros trimestres de 2022, alcanzando un error absoluto medio de 2,65 min durante todo el vuelo y reportando predicciones competitivas a corto y largo plazo en diferentes horizontes espaciales y temporales.
PB Springer Nature
SN 0920-8542
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/73753
UL https://uvadoc.uva.es/handle/10324/73753
LA eng
NO Journal of Supercomputing, 2024, vol. 80, p. 17212-17246
NO Producción Científica
DS UVaDOC
RD 19-ene-2025