Methoden des maschinellen Lernens zur Modellierung des überfüllten europäischen Luftraums
Angesichts der zunehmenden Zahl von Flugzeugen, die über Europa fliegen, wird das Flugverkehrsmanagement (ATM) immer komplexer. Neue Technologien und Konzepte versprechen, Europas Branche der Beförderung auf dem Luftweg effizienter, sicherer und nachhaltiger zu machen. Das Projekt SIMBAD (Combining Simulation Models and Big Data Analytics for ATM Performance Analysis) hat modernste Modellierungsverfahren entwickelt, die auf künstlicher Intelligenz beruhen und neue Ansätze des maschinellen Lernens nutzen, um die derzeitigen Mikrosimulationen des Luftverkehrs zu verbessern, d. h. die sehr detaillierten Modelle, die für die Integration neuer Technologien in ATM-Systeme erforderlich sind. „Angesichts der Komplexität und der Rechnerkosten groß angelegter, mikroskopischer Simulationswerkzeuge für den Luftverkehr sind die Simulationen zwangsläufig auf eine begrenzte Anzahl von Szenarien beschränkt, die oft nicht ausreichen, um aussagekräftige Ergebnisse zu erhalten“, erklärt David Mocholí, Luftfahrtdirektor bei Nommon Solutions and Technologies. „Die von SIMBAD erforschten Techniken des maschinellen Lernens helfen uns, diese Schwachstellen zu überwinden“, sagt Mocholí, der das Projekt koordiniert hat.
Erstellung hyperrealistischer Luftverkehrsszenarien
Finanziert im Rahmen des gemeinsamen Unternehmens SESAR, einer öffentlich-privaten Partnerschaft zur Modernisierung des europäischen Flugverkehrsmanagementsystems, befasst sich SIMBAD mit drei grundlegenden Problemen der derzeitigen Leistungsbewertungsmodelle. Das erste betrifft die Schätzung verborgener Variablen im Flug, wie z. B. das Gewicht des Flugzeugs beim Start. Obwohl dies nicht direkt beobachtbar ist, wirkt es sich in den Simulationen spürbar auf die Flugbahnen aus. Zweitens zielt das Projekt darauf ab, die Simulationen effektiver und effizienter zu gestalten, und verwendet dazu eine Reihe von Techniken des maschinellen Lernens mittels Clustering, die eine repräsentative Reihe von Flugverkehrsszenarien erstellen können. Schließlich wendet SIMBAD Verfahren des aktiven Lernens an, um Metamodelle zu erstellen. Diese Metamodelle stellen einfachere und weniger rechenaufwändige Annäherungen an Mikrosimulationen dar, was zu einer effizienteren und aufschlussreicheren Bewertung neuer ATM-Technologien führt. Die SIMBAD-Metamodelle werden in Zusammenarbeit mit dem EU-finanzierten Projekt NOSTROMO entwickelt, das eine API entwickelt hat, die die Erstellung dieser Metamodelle erleichtert.
Modellierung des Luftverkehrs auf verschiedenen räumlichen und zeitlichen Ebenen
Auch wenn das SIMBAD-Projekt zum Zeitpunkt des Verfassens dieses Artikels noch nicht abgeschlossen ist, hat es bereits einige wichtige Entwicklungen gegeben. Die neuen Algorithmen zur Charakterisierung von Verkehrsmustern haben bewiesen, dass sie in der Lage sind, repräsentative Verkehrsszenarien in verschiedenen räumlichen und zeitlichen Maßstäben zu identifizieren, was zu umfassenderen Simulationsexperimenten führen wird. Darüber hinaus haben sich die Metamodelle von SIMBAD bei der Modellierung neuer ATM-Technologien als effizienter und schneller erwiesen als bestehende Simulationen. Zudem war das Team in der Lage, durch die Analyse historischer Flugverkehrsdaten versteckte Variablen zu finden. „Wir konnten zwei versteckte Variablen in Bezug auf Luftraumnutzung – Kostenindex und Landegewicht – für eine Reihe von Flugbahnen bei unterschiedlichen Wetterbedingungen genau schätzen“, erklärt Mocholí. Das Projekt befindet sich nun in der Evaluierungsphase, nach der man mit aussagekräftigeren Ergebnissen rechnet. „Die bisherigen ersten Tests und Validierungen waren sehr vielversprechend, und wir sind zuversichtlich, dass SIMBAD einen wertvollen Beitrag zur Analyse der ATM-Leistung leisten wird“, sagt er. Das Team hofft, die in SIMBAD begonnene Arbeit im Rahmen des gemeinsamen Unternehmens SESAR 3 weiter ausbauen zu können. „Dies würde eine großartige Gelegenheit bieten, dem Ziel näher zu kommen, diese Lösung in das europäische Luftverkehrsmanagementsystem zu integrieren“, so Mocholí abschließend.
Schlüsselbegriffe
SIMBAD, Mikrosimulationen, ATM, maschinelles Lernen, künstliche Intelligenz, Luftverkehr, Daten, Management, versteckte, Variablen
