RT info:eu-repo/semantics/article
T1 On the use of Deep Neural Networks to improve flights estimated time of arrival predictions
A1 Silvestre Vilches, Jorge
A1 de Santiago, Miguel
A1 Bregón Bregón, Aníbal
A1 Martínez Prieto, Miguel Angel
A1 Álvarez Esteban, Pedro César
K1 Estimated time of arrival
K1 ADS-B
K1 LSTM networks
K1 Recurrent neural networks
K1 Deep learning
K1 Air traffic management
K1 1203.04 Inteligencia Artificial
AB La previsibilidad de las operaciones es la base de una gestión eficaz del tráfico aéreo. En este contexto, estimar con precisión la hora de llegada al aeropuerto de destino es fundamental para tomar decisiones tácticas sobre una programación óptima de las operaciones de aterrizaje y despegue. En este trabajo, evaluamos diferentes modelos de aprendizaje profundo basados en arquitecturas LSTM para predecir la hora estimada de llegada de vuelos comerciales, utilizando principalmente datos de vigilancia de OpenSky Network. Observamos que el número de estados previos del vuelo utilizados para realizar la predicción tiene gran influencia en la precisión de la estimación, independientemente de la arquitectura. El mejor modelo, con una longitud de secuencia de entrada de 50, ha registrado un MAE de 3,33 min y un RMSE de 5,42 min en el conjunto de prueba, con valores de MAE de 5,67 y 2,13 min 90 y 15 min antes del final del vuelo, respectivamente.
PB MDPI
YR 2021
FD 2021
LK https://uvadoc.uva.es/handle/10324/73761
UL https://uvadoc.uva.es/handle/10324/73761
LA eng
NO Engineering Proceedings, vol. 13, n. 1, 3
NO Producción Científica
DS UVaDOC
RD 19-ene-2025