AI-baserad landningsprediktion- slutrapport

Projekt:

AI-BASERAD LANDNINGSPREDIKTION

Sammanfattning:
Syftet med forsknings och innovationsprojektet ”AI-baserad landningsprediktion” inom IRIS-programmet var att studera
om artificiella neurala nätverk (ANN), vilket är en typ av mycket användbara algoritmer från området Artificiell
Intelligens (AI), kan användas för att prediktera landningstider och därigenom landningssekvenser för flygplan på väg in
till en flygplats. Inom IRIS-programmet studeras olika åtgärder som kan hjälpa flygledare att tilldela fler kurvade RNP
AR-inflygningar. Användning av kurvade RNP AR-inflygningar medför flera effektivitets- och miljövinster och ökad
användning av dessa landningsprocedurer är en viktig del för att Arlanda ska kunna möta kraven i sitt miljötillstånd.
Kurvade RNP AR-inflygningar är dock mer kognitivt krävande för flygledarna och ett beslutsstöd som hjälper
flygledarna att se den troliga landningssekvensen är eventuellt ett verktyg som avlastar flygledarna.
I projektet användes luftlägesdata för flygtrafiken under 2019 för att konstruera en träningsdatabas på vilket flera ANN
tränades. Flera olika konfigurationer av ANN prövades för att se vilken ANN-modell som kunde prediktera
landningstider och landningssekvensen mest precist. Den ANN-modell som predikterade mest precist integrerades
därefter med en flygledningssimulator för att demonstrera hur prediktionerna skulle kunna användas operativt. Ett
användartest med en mycket erfaren operativ flygledare genomfördes.
Den ANN-modell som användes i demonstratorn lyckades prediktera landningstiden med ett medelfel strax under ±1
minut, vilket var tillräckligt för att kunna presentera en användbar landningssekvensindikation i de ”etiketter” som
används för ett presentera information om flygplanen i det operativa flygledningssystemet.
En demonstration gällande skillnaden i prediktionsförmåga mellan AI-baserad prediktion enligt den typ som studerats i
projektet och simuleringsbaserad prediktion för finns tillgänglig på https://geistt.com/projects/aibaland. Lösenordet finns
tillgängligt via kontakt med martin.castor@geistt.com, martin.insulander@geistt.com eller anette.nas@swedavia.se.
Notera att den lösning som projektet studerade inte kräver några större infrastruktursatsningar, utan använder sig av
öppet tillgänglig data och kan se ”hur det brukar bli” innan trafiksituationer uppstått och flygledarna börjat hantera
situationen. Detta kan vara ett kostnadseffektivt sätt att komplettera andra sätt att prediktera landningstider och
landningssekvens. Ett exempel på ett annat sätt att göra denna prediktion är att ladda ner information från flygplanens
färddatorer, som dock bara tar hänsyn till de enskilda flygplanens planering innan flygledarna börjar ge klareringar och
som kräver ny teknik på många flygplan. Rapporten avslutas med ett antal rekommendationer för fortsatt forskning och
utvecklingsverksamhet.

Länk till publikation i fulltext (pdf-fil, 1 866,0 kB. Öppnas i nytt fönster)

Författare: Martin Castor, Martin Insulander, Jonathan Borgvall
Utgivare: Swedavia
Utgivningsdatum: 2022-01-17
Diarienummer: TRV 2020/35112
Antal sidor: 30
Språk: Svenska
Kontaktperson: Lars Spångberg, US