Projektbeschreibung
Bessere Simulationen von Praktiken des Flugverkehrsmanagements für eine schlüssige Bewertung
Da die Zahl der Flugzeuge in der Luft und der am Boden rollenden Flugzeuge weiter zunimmt, wird das Flugverkehrsmanagement immer anspruchsvoller. Die 1955 als zwischenstaatliche, gesamteuropäische Organisation gegründete Europäische Zivilluftfahrt-Konferenz fördert unter ihren Mitgliedstaaten Maßnahmen und Praktiken, welche die Sicherheit, Effizienz und Nachhaltigkeit des europäischen Luftverkehrssystems unterstützen. Das EU-finanzierte Projekt SIMBAD wird die effiziente und zuverlässige Bewertung des Erfolgs dieser Maßnahmen und Praktiken durch die Entwicklung neuer Ansätze zur Leistungsmodellierung vorantreiben, die auf der Kombination von maschinellen Lerntechniken und der Mikrosimulation des Luftverkehrs basieren.
Ziel
The development of performance modelling methodologies able translate new ATM concepts and technologies into their impact on high-level, system wide KPIs has been a long-time objective of the ATM research community. Bottom-up, microsimulation models are often the only feasible approach to address this problem in a reliable manner. However, the practical application of large-scale simulation models to strategic ATM performance assessment is often hindered by their computational complexity. The goal of SIMBAD is to develop and evaluate a set of machine learning approaches aimed at providing state of-the-art ATM microsimulation models with the level of reliability, tractability and interpretability required to effectively support performance evaluation at ECAC level. The specific objectives of the project are the following:
1. Explore the use of machine learning techniques for the estimation of hidden variables from historical air traffic data, with particular focus on airspace users’ preferences and behaviour, in order to enable a more robust calibration of air traffic microsimulation models.
2. Develop new machine learning algorithms for the classification of traffic patterns that enable the selection of a sufficiently representative set of simulation scenarios allowing a comprehensive assessment of new ATM concepts and solutions.
3. Investigate the use of active learning metamodelling to facilitate a more efficient exploration of the input output space of complex simulation models through the development of more parsimonious performance metamodels, i.e. analytical input/output functions that approximate the results of a more complex function defined by the microsimulation models.
4. Demonstrate and evaluate the newly developed methods and tools through a set of case studies in which the proposed techniques will be integrated with existing, state-of-the-art ATM simulation tools and used to analyse a variety of ATM performance problems.
Wissenschaftliches Gebiet
- natural sciencescomputer and information sciencesdata sciencebig data
- social sciencessocial geographytransporttransport planningair traffic management
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- social scienceseducational sciencespedagogyactive learning
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
RIA - Research and Innovation actionKoordinator
28020 Madrid
Spanien
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).