Metody uczenia maszynowego pomagają w modelowaniu ruchu na zatłoczonym europejskim niebie
W związku z tym, że po europejskim niebie lata coraz więcej samolotów, stopień skomplikowania zarządzania ruchem lotniczym (ATM) rośnie. Nowe technologie i koncepcje mogą sprawić, że europejski sektor transportu lotniczego stanie się bardziej efektywny, bezpieczny i zrównoważony. W ramach projektu SIMBAD (Combining Simulation Models and Big Data Analytics for ATM Performance Analysis) opracowano techniki modelowania oparte na sztucznej inteligencji, wykorzystujące nowe podejścia w zakresie uczenia maszynowego w celu ulepszenia obecnych mikrosymulacji ruchu lotniczego, wysoce szczegółowych modeli niezbędnych do włączenia nowych technologii do systemów ATM. „Biorąc pod uwagę złożoność i koszty obliczeniowe wielkoskalowych, mikroskopowych narzędzi do symulacji ruchu lotniczego, symulacje z konieczności ograniczają się do niewielkiej liczby scenariuszy, które często są niewystarczające do uzyskania rozstrzygających wyników”, wyjaśnia David Mocholí, dyrektor ds. lotnictwa w Nommon Solutions and Technologies. „Techniki uczenia maszynowego badane w projekcie SIMBAD pomagają nam zaradzić tym problemom”, mówi Mocholí, który odpowiadał za koordynację projektu.
Tworzenie hiperrealistycznych scenariuszy dotyczących ruchu lotniczego
Projekt SIMBAD, finansowany w ramach Wspólnego Przedsięwzięcia SESAR, partnerstwa publiczno-prywatnego utworzonego w celu modernizacji europejskiego systemu ATM, koncentruje się na trzech podstawowych problemach związanych z obecnymi modelami oceny skuteczności działania. Pierwszy z nich dotyczy sposobu szacowania ukrytych zmiennych w locie, takich jak masa samolotu podczas startu. Nie są one bezpośrednio widoczne, ale mają wymierny wpływ na trajektorie lotu w symulacjach. Po drugie, zespół stara się poprawić efektywność i wydajność symulacji poprzez zastosowanie różnych technik tworzenia klastrów w ramach uczenia maszynowego, które pozwalają ustanowić reprezentatywny zestaw scenariuszy ruchu lotniczego. Zespół projektu SIMBAD wykorzystuje też techniki aktywnego uczenia się do budowy metamodeli. Metamodele są prostszymi i mniej kosztownymi obliczeniowo przybliżeniami mikrosymulacji, co umożliwia bardziej efektywną i dogłębną ocenę nowych technologii ATM. Metamodele opracowywane w projekcie SIMBAD powstają we współpracy z finansowanym ze środków UE projektem NOSTROMO, w ramach którego opracowano interfejs programowania aplikacji (API) ułatwiający tworzenie tych metamodeli.
Modelowanie ruchu lotniczego w różnych skalach przestrzennych i czasowych
Mimo że w momencie pisania tego tekstu projekt SIMBAD jest jeszcze w trakcie realizacji, przyniósł już kilka ważnych rezultatów. Nowe algorytmy charakteryzowania wzorców ruchu pozwalają na identyfikację reprezentatywnych scenariuszy ruchu w różnych skalach przestrzennych i czasowych, co zaowocuje bardziej całościowymi eksperymentami symulacyjnymi. Ponadto, opracowane w projekcie SIMBAD metamodele okazały się bardziej efektywne i szybsze od istniejących symulacji w przypadku modelowania nowych technologii ATM. Zespołowi udało się także znaleźć ukryte zmienne poprzez analizę historycznych danych dotyczących ruchu lotniczego. „Dokładnie oszacowaliśmy dwie ukryte zmienne związane z użytkownikami przestrzeni powietrznej – wskaźnik kosztów i masę podczas lądowania – w celu określenia zbioru trajektorii w różnych warunkach pogodowych”, mówi Mocholí. Obecnie rozpoczyna się faza ewaluacji, po której powinno być możliwe uzyskanie bardziej konkretnych wyników. „Pierwsze testy i walidacje przeprowadzone do tej pory są bardzo obiecujące i jesteśmy przekonani, że projekt SIMBAD wniesie cenny wkład w analizę efektywności ATM”, twierdzi. Zespół planuje kontynuację prac rozpoczętych w projekcie SIMBAD w ramach Wspólnego Przedsięwzięcia SESAR 3. „Byłaby to doskonała okazja do zbliżenia się do realizacji ostatecznego celu, jakim jest integracja tego rozwiązania z europejskim systemem zarządzania transportem lotniczym”, dodaje na koniec Mocholí.
Słowa kluczowe
SIMBAD, mikrosymulacje, ATM, uczenie maszynowe, sztuczna inteligencja, ruch lotniczy, dane, zarządzanie, ukryte, zmienne
