Predicción de trayectorias aéreas con técnicas de Deep Learning

Abstract

En la actualidad el avión es el medio de transporte más utilizado para realizar desplazamientos de media y larga distancia. Durante los últimos años se ha presenciado un repunte del número de pasajeros, que había disminuido bruscamente tras la pandemia. Además, las estimaciones para periodos futuros auguran un aumento del número de vuelos que serán necesarios para satisfacer las necesidades de los usuarios, lo cual aumentará aún más la concentración y complejidad en la gestión del tráfico aéreo. En este contexto se hace necesario el uso de herramientas que permitan anticipar el estado del espacio aéreo y facilitar la labor de los controladores. Debido al gran volumen de datos recogidos durante la travesía, las técnicas basadas en machine learning se presentan como la mejor opción para realizar este tipo de estimaciones. En particular, en el presente documento se propone el uso de técnicas de deep learning para la predicción de trayectorias aéreas. Para ello, se toman datos ADS-B de vuelos con destino el aeropuerto Adolfo Suárez Madrid-Barajas completados entre enero y septiembre de 2022, y se construyen modelos basados en redes neuronales recurrentes y transformers. En concreto, se utiliza la red Long Short-Term Memory y la arquitectura Temporal Fusion Transformer. Finalmente, se analizan y comparan los resultados obtenidos para concluir que los transformers mejoran el desempeño de las redes recurrentes.

Nowadays, air travel is the most widely used means of transport for mediumand long-distance travel. In recent years, there has been a recovery in passenger numbers, which had fallen sharply during the pandemic. In addition, estimations predict an increase in the number of flights required to meet the needs of users, which will further rise the concentration and complexity of air traffic management. In this context, it is necessary to use tools to anticipate the state of the airspace and to facilitate the work of air traffic controllers. Due to the large amount of data collected during a flight, techniques based on machine learning appear to be the best option to carry out this type of estimation. In particular, this work proposes the use of deep learning techniques for predicting flight trajectories. For this purpose, ADS-B data from flights arriving at Adolfo Suárez Madrid-Barajas between January and September 2022 are used to build models based on recurrent neural networks and transformers. Specifically, the Long Short-Term Memory network and the Temporal Fusion Transformer architecture are used. Finally, the results obtained are analysed and compared to conclude that transformers improve the performance of recurrent networks.