Predicting trajectories’ parameters using graph convolutional neural networks

Abstract

Η πρόσφατη ανάπτυξη της αεροπορικής βιομηχανίας έχει αυξήσει το ενδιαφέρον στον τομέα της διαχείρισης εναέριας κυκλοφορίας. Ένα σύγχρονο - ανοιχτό - πρόβλημα στον τομέα αυτό είναι η πρόβλεψη κρυφών παραμέτρων που αφορούν τις τροχιές αεροσκαφών. Τέτοιες παράμετροι αποδυκνείεται πως είναι ιδιαίτερα σημαντικές για τον χρονικό και οικονομικό προγραμματισμό της εκάστοτε τροχιάς, καθώς είναι σε θέση να προσδιορίσουν ιδιαίτερα σημαντικούς δείκτες (KPIs) για την πτηση, όπως οι ανάγκες σε καύσιμο και ο υπολογισμός της απόστασης και του χρόνου που θα χρειαστεί. Η παρούσα διπλωματική έχει σαν απώτερο σκοπό την πρόβλεψη των κρυφών παραμέτρων Cost Index (CI) και Maximum Takeoff Weight (MTOW), χρησιμοποιώντας προσομοιώσεις τροχιών πτήσεων, οι οποίες παρέχονται σε μορφή χρονοσειρών. Η πρόβλεψη αυτή μεταχειρίζεται σαν ένα πρόβλημα παλινδρόμισης και η χρησιμοποιούμενη μεθοδολογία συνδυάζει συνελικτικά νευρωνικά δίκτυα (CNNs) με χωρική θεωρία γράφων, χτίζοντας κατ’ αυτόν τον τρόπο το προτεινόμενο γραφικό συνελικτικό νευρωνικό δίκτυο (GCNN). Πιο συγκεκριμένα, το πρόβλημα προβάλεται σε ένα περιβάλλον γράφου, όπου πράκτορες, οι οποίοι είναι αποτυπωμένοι σαν κόμβοι, επικοινωνούν και συνεργάζονται προκειμένου να προσδιορίσουν το τελικό αποτέλεσμα. Καθ’ ένας τους δέχεται και επεξεργάζεται ένα συγκεκριμένο μέρος της πτήσης Η μεταξύ τους επικοινωνία επιτυγχάνεται χρησιμοποιώντας μετασχηματιστές και χρησιμοποιόντας συγκεκριμένους τύπους εσωτερικών γινομένων (MHDPA) στον πυρήνα της συνέλιξης. Τα τελικά αποτελέσματα δείχνουν ότι το προτεινόμενο GCNN προσαρμόζεται καλώς στα δεδομένα των πτήσεων και συναγωνίζεται τις επιδόσεις των υπαρχόντων μοντέλων, που είχαν δημιουργηθεί στα πλαίσια προηγούμενων, παρόμοιων ερευνών.