Entwicklung eines ATFM-Slot-Vorhersagemodells für die Flugplanung auf der Basis von Machine-Learning Algorithmen

Abstract

Im europäischen Luftraum werden bei Kapazitätsproblemen an Flughäfen oder Lufträumen Maßnahmen zur Verkehrsflussregelung umgesetzt. Hierbei handelt es sich vor allem um regulierte Startzeiten, sogenannte „Air Traffic Flow Management“ (ATFM)-Slots. Diese stellen ein großes Problem für Flugbetriebe dar. So waren im Jahr 2019 mehr als 12% aller Flüge im europäischen Luftraum auf Grund von ATFM-Slots verspätet, was eine erhebliche Kostenbelastung für Fluglinien darstellt. Nach der für die Luftfahrt verheerenden Corona-Pandemie und den damit verbundenen Einsparungsmaßnahmen wird es für die einzelnen Airlines noch wichtiger sein, effizient zu steuern und operative Kostenbelastungen zu minimieren. Im Rahmen des hier vorgestellten Projektes, welches im Zuge einer Masterarbeit an der TU Braunschweig unter fachlicher Begleitung des DLR Instituts für Flugführung realisiert wurde, wird ein Vorhersagemodell für das Auftreten von ATFM-Slots für den Flugbetrieb von Austrian Airlines entwickelt. Dieses Modell erlernt mithilfe von modernen Machine-Learning Methoden historische Muster für das Eintreten von ATFM-Slots. Für jeden Flug wird die Wahrscheinlichkeit für das Eintreten eines solchen Slots beginnend 24 Stunden vor dem jeweiligen Flugereignis berechnet. Die Vorhersagen werden mit den aktuellen Wetterprognosen und Flugbewegungen stündlich aktualisiert, sodass eine Anpassung an die aktuellen Gegebenheiten möglich ist. Dies ermöglicht der Flugplanung sowohl frühzeitig zu agieren, als auch kurzfristig Maßnahmen einzuleiten, um Kostenbelastungen zu vermeiden. Als weitere Unterstützung gibt das Tool Auskunft über die Lufträume, die am ehesten einen ATFM-Slot entlang der jeweiligen Route auslösen. Die Datensätze, die das Modell verwendet, werden beschrieben und ihre Relevanz wird erläutert. Hierzu gehören im Wesentlichen Wetterinformationen, sowie Daten aus dem Flugbetrieb der Austrian Airlines und von Eurocontrol. Darüber hinaus wird der Klassifikations-Algorithmus beschrieben, auf welchem das Machine-Learning Modell beruht. Programmiert wurde der Algorithmus mit der Data-Science Sprache „Python“. Vor allem wird detailliert darauf eingegangen, wie das Tool für die Flugplanung genutzt werden kann. Hierfür wird ein Konzept für eine grafische Benutzeroberfläche vorgestellt. Zudem werden Weiterentwicklungsmöglichkeiten und Einschränkungen des Vorhersagetools erläutert.