Hava trafik akışının iyileştirilmesi için rassal orman ve derin sinir ağları tabanlı varış zamanı ve yörünge tahmini

Abstract

Bu çalışmada Yeşilköy Terminal Kontrol Sahası içerisinde yer alan İstanbul Atatürk Havalimanı'na iniş yapan uçakların varış zamanlarının ve terminal kontrol sahası içerisinde izledikleri yörüngelerin rassal orman ve derin sinir ağları yöntemleri kullanılarak tahmini gerçekleştirilmiştir. 2018 yılı Nisan-Ağustos ayları arasında İstanbul Atatürk Havalimanı'na iniş yapan uçaklar için genel uçuş bilgileri, yörünge verileri ve havacılık amaçlı rutin hava raporları farklı kaynaklardan elde edilerek makine öğrenmesi yöntemlerinde kullanılacak eğitim ve test kümeleri oluşturulmuştur. Varış zamanının tahmini için rassal orman ve derin sinir ağları yöntemleri kullanılarak 51.902 uçuşa ait verilerle makine öğrenmesi modelleri elde edilmiştir. Elde edilen makine öğrenmesi modellerinin planlanan varış zamanına göre tahmin hatalarını kalkıştan itibaren %64 oranında, terminal kontrol sahasına girişten itibaren ise %84 oranında azalttığı tespit edilmiştir. Benzer şekilde yörünge tahmini için derin sinir ağları yöntemi kullanılarak 187.509 adet yörünge noktası için makine öğrenmesi modeli eğitilmiştir. Modelin doğruluğu uyum derecesi (R^2) ile ölçülmüş ve tahmin edilen çıktılar için 0.96-0.97 aralığında değerler elde edilmiştir.

In this study, arrival times and trajectories of flights to Istanbul Ataturk International Airport which resides in Yeşilköy Terminal Maneuvering Area, were predicted using random forests and deep neural network methods. General flight information, trajectory data and meteorological aerodrome reports for arrivals to Istanbul Ataturk International Airport between April-August 2018 were obtained from different data sources and training/test data sets to be used in machine learning methods were generated. Random forests and deep neural network methods were used for the prediction of arrival times and machine learning models were obtained using data for 51.902 flights. The machine learning models decreased the prediction errors with respect to the scheduled time of departure in 64% immediately after departure and 84% after entrance to terminal maneuvering area. Similarly, deep learning method was used for trajectory prediction and machine learning model was trained with 187.509 trajectory points. The accuracy of the model was measured using the degree of fitness (R^2) and values close to 1 (0.96-0.97) were obtained for the predicted outputs which correspond to a high degree of fitness.