Predicting trajectories’ parameters using graph convolutional neural networks

Ιωαννίδης, Ιωάννης; Ioannidis, Ioannis

dc.contributor.advisor	Βούρος, Γεώργιος
dc.contributor.advisor	Vouros, George
dc.contributor.author	Ιωαννίδης, Ιωάννης
dc.contributor.author	Ioannidis, Ioannis
dc.date.accessioned	2023-10-27T09:22:30Z
dc.date.available	2023-10-27T09:22:30Z
dc.date.issued	2023-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/15852
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3274
dc.description	Not available until 31/10/2024
dc.description.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.	el
dc.format.extent	87	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Predicting trajectories’ parameters using graph convolutional neural networks	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Recent advancement of aviation industry has increased the research interest in the field of Air Traffic Management (ATM). A contemporary - open - problem in ATM field is the prediction of aircrafts trajectories hidden parameters. Such parameters prove to be really important for timescale and financial scheduling, as they are capable of defining flight’s Key Performance Indicators (KPIs), such as fuel needs, duration and distance to cover. This thesis aims on the prediction of Cost Index (CI) and Maximum Takeoff Weight (MTOW) hidden parameters, using simulated trajectories provided in a time serries for- mat. The problem is casted as a regression task and the methodology used is based on the integration of Convolutional Neural Networks and spatial graph theory, construct- ing the proposed GCNN. The problem formulation is projected to a graph based environment, where agents, represented as nodes, communicate and collaborate to provide the final outcome. Each one receives and processes a specific part of the flight. The communication between them is achieved, by using transformers and applying multiheads attention function as the convolutional kernel. Results show that GCNN adapts efficiently to the flight data and worthily competes the baseline models, provided by previous, similar research works.	el
dc.corporate.name	National Centre for Scientific Research "Demokritos"	el
dc.contributor.master	Τεχνητή Νοημοσύνη - Artificial Intelligence	el
dc.subject.keyword	Artifical Intelligence	el
dc.subject.keyword	Deep Learning	el
dc.subject.keyword	CNN	el
dc.subject.keyword	Attention Model	el
dc.subject.keyword	Hidden Parameters	el
dc.date.defense	2023-10-13

Αρχεία σε αυτό το τεκμήριο

Αρχεία	Μέγεθος	Τύπος	Προβολή
Δεν υπάρχουν αρχεία που να σχετίζονται με αυτό το τεκμήριο.

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα