Analyse, Bewertung und Auswahl von Raketenstartplätzen hinsichtlich des operationellen Einflusses auf den Luftverkehr

Abstract

Sowohl Luftverkehr als auch kommerzielle Raumfahrt in Europa erfahren in den letzten Jahren wirtschaftliches Wachstum. Beide teilen eine Ressource: den Luftraum. Damit ein fairer Wettbewerb stattfinden kann, muss diese Ressource aufgeteilt werden. Denn immer mehr Raumfahrtstarts beanspruchen den Luftraum und zwingen den Luftverkehr zur Umleitung. Daher ist es von besonderem Interesse, Startplätze und -zeiten mit geringem Einfluss auf den Luftverkehr zu finden. In dieser Arbeit wird erstmals ein Prognosemodell für den Luftverkehr auf Basis des Machine-Learning-Algorithmus XGBoost erstellt. Dafür werden Luftverkehrsdichtedaten von 2023 mit einer hohen räumlichen und zeitlichen Auflösung (6 Stunden) verwendet. Das optimierte Prognosemodell wird in eine selbstentwickelte Software integriert, die anhand der Prognose Startplätze und Startzeitfenster mit besonders geringem Einfluss auf den Luftverkehr identifizieren kann. Die vorhergesagte Anzahl der Flüge ist dabei in der Validierung mit einem Median Fehler von 25% ungenau, aber geeignete Zeitfenster und Startorte können trotzdem in ihren Grundzügen in der Mehrzahl der Fälle korrekt identifiziert werden, wenn auch die Magnitude, insbesondere bei Verkehrsspitzen, der erwarteten Anzahl der Flüge nicht korrekt vorhergesagt wird. Dies bedeutet, dass XGBoost ein geeignetes Modell ist, um Muster in der Luftverkehrsdichte zu erkennen und den Luftverkehr in seinen Grundzügen grob vorherzusagen. Um genauere Ergebnisse zu erhalten, müssen in Zukunft zusätzliche Luftverkehrsdichtedaten zur Modellbildung hinzugezogen oder Daten, die Verkehrsspitzen erklären, zum Training des Modells hinzugefügt werden