[論文レビュー] A Machine Learning Approach to Air Traffic Route Choice Modelling

R S Borges Marcos, Oliva García-Cantú+1 more|arXiv (Cornell University)|Feb 19, 2018

Air Traffic Management and Optimization参考文献 4被引用数 10

ひとこと要約

本論文は、フライト効率、ナビゲーション料金、混雑度に基づいて航空会社のルート選択をモデル化することで、事前戦術的空港交通ルート選択予測を向上させる機械学習フレームワークを提案する。履歴データに基づいて訓練された多項ロジスティック回帰と意思決定木を用いることで、課金ゾーンレベルでの交通量予測精度が顕著に向上し、現在の単純な手法とは対照的にデータ駆動型の代替手法を提供する。

ABSTRACT

Air Traffic Flow and Capacity Management (ATFCM) is one of the constituent parts of Air Traffic Management (ATM). The goal of ATFCM is to make airport and airspace capacity meet traffic demand and, when capacity opportunities are exhausted, optimise traffic flows to meet the available capacity. One of the key enablers of ATFCM is the accurate estimation of future traffic demand. The available information (schedules, flight plans, etc.) and its associated level of uncertainty differ across the different ATFCM planning phases, leading to qualitative differences between the types of forecasting that are feasible at each time horizon. While abundant research has been conducted on tactical trajectory prediction (i.e., during the day of operations), trajectory prediction in the pre-tactical phase, when few or no flight plans are available, has received much less attention. As a consequence, the methods currently in use for pre-tactical traffic forecast are still rather rudimentary, often resulting in suboptimal ATFCM decision making. This paper proposes a machine learning approach for the prediction of airlines route choices between two airports as a function of route characteristics, such as flight efficiency, air navigation charges and expected level of congestion. Different predictive models based on multinomial logistic regression and decision trees are formulated and calibrated with historical traffic data, and a critical evaluation of each model is conducted. We analyse the predictive power of each model in terms of its ability to forecast traffic volumes at the level of charging zones, proving significant potential to enhance pre-tactical traffic forecast. We conclude by discussing the limitations and room for improvement of the proposed approach, as well as the future developments required to produce reliable traffic forecasts at a higher spatial and temporal resolution.

研究の動機と目的

• 航空交通フロー・キャパシティ管理（ATFCM）の事前戦術的段階において、フライトプランがしばしば入手不可であるにもかかわらず、堅牢な予測手法の欠如に応えること。
• フライト効率、空港ナビゲーション料金、混雑度といった主要な運用要因に基づいて、航空会社のルート選択意思決定をモデル化することで、交通需要推定を改善すること。
• 履歆歴交通データを用いて予測モデル（特に多項ロジスティック回帰と意思決定木）を評価・キャリブレーションすること。
• 課金ゾーンレベルでの交通量予測の予測力が、ATFCM計画における重要な単位としての意義を評価すること。
• 事前戦術的交通予測における空間的・時間的分解能の向上に向けた限界と今後の研究ニーズを特定すること。

提案手法

• 本研究では、フライト効率、コスト、予想される混雑度といったルート特性に基づいて、航空会社が特定のルートを選択する確率をモデル化するために多項ロジスティック回帰を採用する。
• 非線形的関係やルート属性間の相互作用を捉えるために、意思決定木を代替的手法として用いる。
• 履歴航空交通データを用いてモデルを訓練およびキャリブレーションし、観察された交通パターンからルート選択行動を推定する。
• モデルは、ATFCMの重要なパフォーマンス指標としての課金ゾーンレベルでの交通量予測能力に基づいて評価される。
• 予測精度の整合性と異なるフライトセグメントにわたる一般化能力に重点を置き、モデルの性能を批判的に評価する。
• さらにデータとモデルの精錬がなされれば、空間的・時間的分解能を高めるために拡張可能なフレームワークとして設計されている。

実験結果

リサーチクエスチョン

• RQ1 フライトプランが希少または存在しない状況下でも、機械学習モデルは事前戦術的段階における航空会社のルート選択をどれほど正確に予測できるか？
• RQ2 フライト効率、ナビゲーション料金、混雑度といったルート特性が、航空会社のルート選択にどの程度影響を与えるか？
• RQ3 多項ロジスティック回帰と意思決定木の両モデルは、課金ゾーンレベルでの交通量予測において、どのように比較されるか？
• RQ4 これらのモデルは、実際のフライトプランが提出される前における交通需要予測の予測力はどの程度か？
• RQ5 機械学習を事前戦術的空港交通予測に応用するにあたり、主な限界とスケーラビリティの課題は何か？

主な発見

• 提案された機械学習モデルは、フライトプランデータが限られる状況においても、事前戦術的交通需要予測の向上に顕著な可能性を示している。
• 多項ロジスティック回帰と意思決定木の両モデルが強く優れた予測性能を示しており、後者はルート選択行動における非線形的依存関係をより効果的に捉えている。
• モデルは、ATFCM意思決定において重要な単位である課金ゾーンレベルでの交通量予測において、精度が向上している。
• 本研究では、ルート効率、コスト、混雑度が航空会社のルート選択に影響を与える主要因であると特定し、モデルの説明力が裏付けられた。
• 強力な結果が得られたものの、空間的・時間的分解能の面で限界が残っており、より高品質なデータとモデルの精錬の必要性が浮き彫りになった。
• 著者らは、本フレームワークが現在の単純な予測手法とは対照的に、実用的でデータ駆動型の代替手法を提供しており、今後の改善の明確な道筋があると結論づけている。