Machine Learning-Enhanced Aircraft Landing Scheduling under Uncertainties

要約

この文書では航空機の遅延について取り上げ、安全性と経済的損失への影響を強調しています。
これらの問題を軽減するために、自動化と安全性の向上を目的として、革新的な機械学習 (ML) で強化された着陸スケジュール手法が提案されています。
フライトの到着遅延シナリオを分析すると、到着飛行時間の強力な多峰性分布とクラスターが明らかになります。
マルチステージの条件付き ML 予測機能により、飛行イベントに基づいた分離時間の予測が強化されます。
次に、ML 予測は、時間制約のある巡回セールスマン問題の定式化における安全制約として統合され、混合整数線形計画法 (MILP) を使用して解決されます。
過去の飛行記録とモデル予測により、連続する飛行間の不確実性に対処し、信頼性を確保します。
提案された方法は、アトランタ航空路交通管制センター (ARTCC ZTL) からの実世界データを使用して検証されます。
ケーススタディでは、先着順 (FCFS) ルールと比較して総着陸時間が平均 17.2% 短縮されることが実証されています。
FCFS とは異なり、提案された方法論では不確実性が考慮され、スケジューリングに自信がもたらされます。
研究は所見で終わり、今後の研究の方向性を概説します。

要約(オリジナル)

This paper addresses aircraft delays, emphasizing their impact on safety and financial losses. To mitigate these issues, an innovative machine learning (ML)-enhanced landing scheduling methodology is proposed, aiming to improve automation and safety. Analyzing flight arrival delay scenarios reveals strong multimodal distributions and clusters in arrival flight time durations. A multi-stage conditional ML predictor enhances separation time prediction based on flight events. ML predictions are then integrated as safety constraints in a time-constrained traveling salesman problem formulation, solved using mixed-integer linear programming (MILP). Historical flight recordings and model predictions address uncertainties between successive flights, ensuring reliability. The proposed method is validated using real-world data from the Atlanta Air Route Traffic Control Center (ARTCC ZTL). Case studies demonstrate an average 17.2% reduction in total landing time compared to the First-Come-First-Served (FCFS) rule. Unlike FCFS, the proposed methodology considers uncertainties, instilling confidence in scheduling. The study concludes with remarks and outlines future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google