Description du projet
Prédire le temps grâce à l’intelligence artificielle
Le projet ISOBAR financé par l’UE vise à exploiter l’intelligence artificielle et à développer cinq principaux composants d’IA pour soutenir la chaîne d’approvisionnement de l’équilibrage de la capacité de la demande (DCB, pour demand capacity balancing) dans des situations non nominales et critiques: améliorer et anticiper la prédiction de la convection, mieux caractériser la capacité et la demande, identifier les déséquilibres liés aux conditions météorologiques entre la capacité et la demande, et sélectionner des mesures d’atténuation de la demande de capacité aux niveaux local et du réseau. Le projet reposera sur quatre piliers principaux: premièrement, il renforcera les processus collaboratifs de gestion des flux et des capacités du trafic aérien (ATFM) aux niveaux pré-tactique et tactique dans les rôles locaux et de réseau en intégrant des cellules météorologiques dynamiques; deuxièmement, il caractérisera les déséquilibres de la demande et des capacités; troisièmement, il mettra en place un plan d’atténuation axé sur l’utilisateur; quatrièmement, le projet développera une feuille de route opérationnelle et technique pour intégrer les services auxiliaires dans le SWIM.
Objectif
ISOBAR aims at the provision of a service- and AI-based Network Operations Plan, by integrating enhanced convective weather forecasts for predicting imbalances between capacity and demand and exploiting AI to select mitigation measures at local and network level in a collaborative ATFCM operations paradigm. To achieve this vision, four objectives are set:
a) Reinforce collaborative ATFCM processes at pre-tactical and tactical levels into the LTM (local) and Network Management (network) roles integrating dynamic weather cells.
b) Characterisation of demand and capacity imbalances at pre-tactical level [-1D, -30min] depending on the input of probabilistic weather cells by using applied AI methods and ATM and weather data integration.
c) User-driven mitigation plan considering AUs priorities (and fluctuations in demand based on weather forecasts) and predicted effectiveness of ATFCM regulations, considering flow constraints and network effects.
d) Develop an operational and technical roadmap for the integration of ancillary services (providing AI-based hotspot detection and adaptative mitigation measures) into the NM platform, by defining interfaces, functional and performance requirements.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
28022 Madrid
Espagne