Automating air traffic management with deep learning

Abstract

Τα τελευταία χρόνια, η Βαθιά Μάθηση χαίρει σημαντικής προσοχής σε διάφορους τομείς. Η Τεχνητή Νοημοσύνη εν γένει στοχεύει στην παροχή λύσεων σε σύνθετα προβλήματα, υποβοηθώντας ανθρώπινες εργασίες. Διαφορετικές εφαρμογές χρειάζονται διαφορετικές προσεγγίσεις: ορισμένες χρειάζονται βέλτιστες αποφάσεις που υπερβαίνουν τις ανθρώπινες δυνατότητες, ενώ άλλες πρέπει να μοντελοποιούν την ανθρώπινη συμπεριφορά. Για σύνθετα προβλήματα, η υπόθεση ότι οι ειδικοί μπορούν να βρουν βέλτιστες λύσεις είναι μη ρεαλιστική λόγω παραγόντων όπως η διαστάσεις του προβλήματος και η αβεβαιότητα στην επίδραση των αποφάσεων. Οι βέλτιστοι πράκτορες Τεχνητής Νοημοσύνης μπορούν να επεξεργαστούν τεράστιο όγκο δεδομένων, λαμβάνοντας ακριβείς αποφάσεις με υψηλή ταχύτητα, ενισχύοντας την παραγωγικότητα και μειώνοντας τα ανθρώπινα σφάλματα. Ωστόσο, σε διάφορους τομείς, η Τεχνητή Νοημοσύνη πρέπει να λαμβάνει υπόψη τις ανθρώπινες προτιμήσεις και παραδοχές, καθοδηγώντας τους χειριστές σε σύνθετες καταστάσεις χωρίς να υπερβαίνει τις ανθρώπινες δυνατότητες. Αυτό ενισχύει την ασφάλεια και την εμπιστοσύνη, καθώς οι συστάσεις του συστήματος γίνονται πιο διαφανείς και εξηγήσιμες. Ο στόχος αυτής της διατριβής είναι η μελέτη της επίλυσης σύνθετων προβλημάτων στον τομέα της Διαχείρισης Εναέριας Κυκλοφορίας. Προβλήματα ισορροπίας ζήτησης και προσφοράς εμφανίζονται όταν η ζήτηση εναέριου χώρου υπερβαίνει τις δυνατότητες του συστήματος, οδηγώντας σε συμφόρηση. Αυτές οι συμφορήσεις επιλύονται μέσω διαχείρισης της εναέριας ροής, με μεθόδους όπως η επιβολή καθυστερήσεων και εκτροπών. Αυτές οι λύσεις εισάγουν αβεβαιότητα στον προγραμματισμό πτήσεων, οδηγώντας σε συσσωρευμένη ζήτηση πόρων, αυξημένα κόστη και αρνητικές επιπτώσεις στην αξιοπιστία των αεροπορικών εταιρειών, την ικανοποίηση των πελατών και το περιβαλλοντικό αποτύπωμα. Ένας άλλος τομέας της Διαχείρισης Εναέριας Κυκλοφορίας που εξετάζεται σε αυτήν τη διατριβή είναι η πρόβλεψη τροχιών αεροσκαφών, η διαδικασία πρόβλεψης της μελλοντικής θέσης και κίνησης ενός αεροσκάφους. Συνήθως πραγματοποιείται με τη χρήση μαθηματικών μοντέλων, αλγορίθμων και διαφόρων πηγών δεδομένων. Η ακριβής πρόβλεψη τροχιάς είναι κρίσιμη για την εξασφάλιση της ασφάλειας της εναέριας κυκλοφορίας, την βελτιστοποίηση των διαδρομών πτήσης, τη μείωση των καθυστερήσεων και την βελτίωση της απόδοσης καυσίμου. Αυτή η διατριβή συμβάλλει, μέσω της εφαρμογής τεχνικών Βαθιάς Μάθησης στον τομέα της Διαχείρισης Εναέριας Κυκλοφορίας, στη δυνατότητα κλιμάκωσης μεθόδων Βαθιάς Ενισχυτικής Μάθησης στην επίλυση προβλημάτων συμφόρησης και στη μεταφερσιμότητα γνώσης που συγκεντρώθηκε μέσω μεθόδων Μάθησης Μίμησης για την πρόβλεψη τροχιών αεροσκαφών. Συγκεκριμένα, η μελέτη προτείνει μια μέθοδο Βαθιάς Πολυπρακτορικής Ενισχυτικής Μάθησης για την επίλυση ανισορροπιών ζήτησης-προσφοράς σε πραγματικές συνθήκες Διαχείρισης Εναέριας Κυκλοφορίας με χιλιάδες πράκτορες. Επιπλέον, προτείνει μια νέα μοντελοποίηση που αντιμετωπίζει το πρόβλημα της δημιουργίας μεταφέρσιμων μοντέλων πρόβλεψης τροχιών αεροσκαφών, θεωρώντας το πρόβλημα πρόβλεψης ως μια μεταφέρσιμη εφαρμογή Βαθιάς Μίμησης.