RT info:eu-repo/semantics/article
T1 Multi-route aircraft trajectory prediction using temporal fusion transformers
A1 Silvestre Vilches, Jorge
A1 Mielgo Martín, Paula
A1 Bregón Bregón, Aníbal
A1 Martínez Prieto, Miguel Angel
A1 Álvarez Esteban, Pedro César
K1 LSTM networks
K1 temporal fusion transformer
K1 Air traffic management
K1 Trajectory prediction
K1 1203.04 Inteligencia Artificial
AB La predicción de trayectorias desempeña un papel fundamental en la gestión moderna del tráfico aéreo. La capacidad de predecir la posición futura de las aeronaves en vuelo permite una mayor previsibilidad, seguridad y eficacia. En los últimos años, las redes neuronales recurrentes, y en particular las LSTM (Long-Short Term Memory), se han aplicado con éxito (solas o en combinación con otros tipos de redes) a este problema. Sin embargo, la criticidad de la supervisión de estas operaciones y la dificultad de predecir trayectorias en zonas de alta densidad de tráfico, como el Área Terminal alrededor de los aeropuertos, requieren métodos de alta precisión que tengan en cuenta todos los factores que intervienen en estas operaciones. En este artículo, proponemos una arquitectura basada en el Transformador de Fusión Temporal (TFT) para la predicción de trayectorias a largo plazo y multirruta utilizando datos de vigilancia (Automatic Dependent Surveillance - Broadcast, ADS-B). Llevamos a cabo nuestros experimentos en el caso de estudio del aeropuerto de Madrid Barajas-Adolfo Suárez (España), utilizando nueve meses de datos. En concreto, nos centramos en la predicción de los próximos 150 segundos en cualquier punto de la trayectoria de los vuelos que llegan a este aeropuerto. En comparación con otras redes LSTM desarrolladas en este trabajo, TFT proporciona una mayor precisión para el posicionamiento 2D, con errores absolutos medios de 0,0091 y 0,0104 grados para la latitud y la longitud, respectivamente, en el Área Terminal del aeropuerto de destino. Estos resultados han demostrado ser competitivos, o incluso superiores, a los de otros métodos más consolidados.
PB IEEE
SN 2169-3536
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/73755
UL https://uvadoc.uva.es/handle/10324/73755
LA eng
NO IEEE Access, 2024, vol. 12, p. 174094-174106, 2024
NO Producción Científica
DS UVaDOC
RD 19-ene-2025