13.06.2023, 16:00 Uhr

Universität Wien
Besprechungsraum 5.35
Währinger Str. 29
1090 Wien

Titel: „Towards an AI-based decision support tool for air traffic control“

Kurzfassung:
Im Flugverkehrsmanagement (ATFCM) ist die optimale Nutzung aller verfügbaren Ressourcen
entscheidend für Effizienz und Sicherheit. Die Koordination verschiedener Interessengruppen
und das dauerhafte Reagieren auf wechselhafte Faktoren wie Flugverspätungen,
wetterbedingte Veränderungen und Inter-Flugzeug-Interaktionen machen dies jedoch zu
einer komplexen Aufgabe.
Diese Arbeit schließt eine Forschungslücke, indem sie den Faktor der Unwettergefahr
in verwandte Methoden zur Berechnung von Flugverkehrskomplexitätsmetriken
mit einbezieht. Diese Metriken werden von KI-Modellen weiterverarbeitet, um Komplexitätsvorhersagen
zu machen und damit die Arbeitslast innerhalb des ATFCM zu
verringern.
Verwendete Methoden umfassen Data-Engineering und die Transformation realer Flugund
Wetterdaten, die Identifikation und das Design relevanter Komplexitätsmetriken,
die Untersuchung geeigneter Kodierungsmethoden für die zugrunde liegenden Flug- und
Wetterdaten sowie das Design und die Evaluierung neuronaler Netzarchitekturen, die
Vorhersagen auf der Grundlage dieser Daten treffen können. Zu diesem Zweck wurde ein
modulbasiertes Python-Projekt aufgesetzt, das alle projektrelevanten Berechnungsschritte
durchführt, mit besonderem Augenmerk auf Programmoptimierung und Skalierbarkeit.
Darauf aufbauend wurden neue Komplexitätsmetriken abgeleitet und deren Anwendbarkeit
im Rahmen des maschinellen Lernens sowohl als Eingangs- als auch als Ausgangswerte
evaluiert. Als Ergebnis werden zwei Algorithmen zur Vorhersage von Verkehrskomplexität
präsentiert: einer davon bildbasiert, und der andere basierend auf Feature-Vektoren. Um
die beiden Modelle zu evaluieren, wurden sie miteinander und mit tatsächlich eingesetzten
ATFCM Vorhersagetools verglichen.
Die Ergebnisse zeigen, dass beide Modelle die flugplanbasierte Vorhersage, die heute
in Österreich verwendet wird, übertreffen, da die Vorhersage der Luftraumbelegung bei
beiden Modellen um bis zu 10% genauer ist als die des ausgegebenen Flugplans und den
mittleren Fehler des Flugplans um bis zu 40% reduziert. Der direkte Vergleich zeigt,
dass das bildbasierte Modell, das für einen einzelnen Luftraum trainiert wurde, höhere
Genauigkeitswerte erreicht, während das vektorbasierte Modell den Vorteil hat, dass es
leichter trainierbar und luftraumunabhängig ist.
Diese Arbeit trägt daher zu den zunehmenden Erkenntnissen über das Potenzial von
KI bei, Flugverkehrsmanagement durch bessere Auslastungsvorhersagen zu unterstützen,
um letztlich die Sicherheit und Effizienz des Flugsicherungsbetriebs zu erhöhen.
v