Méthodes d’apprentissage automatique pour modéliser le ciel encombré d’Europe La puissance de calcul nécessaire à la modélisation du trafic aérien augmente. Le projet SIMBAD, financé par l’UE et l’industrie, a développé de puissants modèles de simulation basés sur l’intelligence artificielle qui facilitent considérablement l’évaluation de nouveaux scénarios de trafic aérien. Transports et Mobilité © Irina Anosova/Shutterstock.com Avec de plus en plus d’avions voyageant au dessus de l’Europe, la gestion du trafic aérien (ATM) devient de plus en plus complexe. Les nouvelles technologies et les nouveaux concepts promettent de rendre l’industrie européenne du transport aérien plus efficace, plus sûre et plus durable. Le projet SIMBAD (Combining Simulation Models and Big Data Analytics for ATM Performance Analysis) a développé des techniques de modélisation de pointe basées sur l’intelligence artificielle, en utilisant de nouvelles approches d’apprentissage automatique pour améliorer les microsimulations actuelles du trafic aérien, les modèles hautement détaillés nécessaires pour intégrer les nouvelles technologies dans les systèmes ATM. «Compte tenu de la complexité et du coût de calcul des outils de simulation du trafic aérien microscopiques à grande échelle, les simulations sont nécessairement limitées à un nombre limité de scénarios, souvent insuffisants pour obtenir des résultats concluants», explique https://www.nommon.es/notre équipe/ (David Mocholí), directeur de l’aviation chez Nommon Solutions and Technologies. «Les techniques d’apprentissage automatique étudiées par SIMBAD nous permettent de surmonter ces lacunes», explique David Mocholí, qui a coordonné le projet. Créer des scénarios de trafic aérien hyperréalistes Financé dans le cadre de l’entreprise commune SESAR, un partenariat public-privé mis en place pour moderniser le système ATM européen, SIMBAD se concentre sur trois problèmes fondamentaux posés par les modèles actuels d’évaluation des performances. Le premier consiste à savoir comment estimer les variables cachées en vol, comme la masse de l’avion au décollage. Bien qu’elles ne soient pas directement observables, ces variables ont un effet tangible sur les trajectoires de vol dans les simulations. Deuxièmement, le projet cherche à rendre les simulations plus efficaces et efficientes en utilisant différentes techniques d’agrégation dans l’apprentissage automatique, capables d’établir un ensemble de scénarios représentatifs du trafic aérien. Enfin, SIMBAD applique les techniques de l’apprentissage actif pour élaborer des métamodèles. Ces métamodèles sont des approximations plus simples et moins coûteuses en calcul des microsimulations, ce qui permet une évaluation plus efficace et plus fine des nouvelles technologies ATM. Les métamodèles SIMBAD sont développés en collaboration avec le projet NOSTROMO financé par l’UE, qui a développé une API facilitant le processus de construction de ces métamodèles. Modélisation du trafic aérien à différentes échelles spatiales et temporelles Bien que le projet SIMBAD soit en cours au moment de la rédaction de cet article, il a déjà permis d’obtenir plusieurs résultats clés. Les nouveaux algorithmes de caractérisation des modèles de trafic ont montré leur capacité à identifier des scénarios de trafic représentatifs à différentes échelles spatiales et temporelles, ce qui se traduire par des expériences de simulation plus complètes. En outre, les métamodèles de SIMBAD se sont avérés plus efficaces et plus rapides que les simulations existantes lors de la modélisation de nouvelles technologies ATM. L’équipe a également pu trouver des variables cachées grâce à l’analyse des données historiques du trafic aérien. «Nous avons estimé avec précision deux variables cachées liées aux usagers de l’espace aérien – l’indice de coût et la masse à l’atterrissage – pour un ensemble de trajectoires dans différentes conditions météorologiques», explique David Mocholí. Le projet entre maintenant dans la phase d’évaluation, qui devrait permettre de dégager des résultats plus concluants. «Les premiers tests et validations effectués jusqu’à présent ont été très prometteurs, et nous sommes convaincus que SIMBAD apportera de précieuses contributions à l’analyse des performances ATM», a-t-il déclaré. L’équipe espère développer davantage les travaux entamés au sein de SIMBAD dans le cadre de l’entreprise commune SESAR 3. «Ce serait une excellente occasion de se rapprocher de l’objectif ultime d’intégrer cette solution au système de gestion du transport aérien européen», conclut David Mocholí. Mots‑clés SIMBAD, microsimulations, ATM, apprentissage automatique, intelligence artificielle, air, trafic, données, gestion, caché, variables
