[论文解读] 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 10

一句话总结

本文提出了一种机器学习框架，通过基于飞行效率、导航费用和拥堵水平建模航空公司路线选择，以改进预先战术级空中交通路线选择预测。利用历史数据训练的多项式逻辑回归和决策树方法，该方法显著提升了收费区域级别的交通量预测准确性，为当前粗略方法提供了一种数据驱动的替代方案。

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.

研究动机与目标

• 为解决空中交通流量与容量管理（ATFCM）预先战术阶段缺乏稳健预测方法的问题，该阶段飞行计划往往不可用。
• 通过基于飞行效率、空中导航费用和拥堵等关键运营因素建模航空公司路线选择决策，改进交通需求估算。
• 利用历史交通数据评估并校准预测模型——特别是多项式逻辑回归和决策树模型。
• 评估这些模型在预测收费区域级别的交通量方面的预测能力，这是ATFCM规划中的关键单位。
• 识别现有方法的局限性及未来研究需求，以提升预先战术交通预测在空间和时间分辨率上的表现。

提出的方法

• 本研究采用多项式逻辑回归，基于飞行效率、成本和预期拥堵等路线特征，建模航空公司选择特定路线的概率。
• 使用决策树作为替代建模方法，以捕捉路线属性之间的非线性关系和交互作用。
• 利用历史空中交通数据训练和校准模型，通过观察到的交通模式推断路线选择行为。
• 根据模型在预测收费区域级别交通量方面的能力评估其性能，这是ATFCM的关键绩效指标。
• 通过关键评估指标衡量模型性能，重点关注不同航段间的一致性和泛化能力。
• 该框架设计为可通过进一步的数据积累和模型优化，扩展至更高的空间和时间分辨率。

实验结果

研究问题

• RQ1 当飞行计划稀疏或缺失时，机器学习模型在预先战术阶段预测航空公司路线选择的准确性如何？
• RQ2 飞行效率、导航费用和拥堵水平等路线特征在多大程度上影响航空公司路线选择？
• RQ3 多项式逻辑回归和决策树模型在预测收费区域级别交通量方面表现如何比较？
• RQ4 这些模型在实际飞行计划提交前预测交通需求的能力如何？
• RQ5 将机器学习应用于预先战术空中交通预测时，其主要局限性和可扩展性挑战是什么？

主要发现

• 所提出的机器学习模型在有限飞行计划数据场景下，显著展现了改进预先战术交通需求预测的潜力。
• 多项式逻辑回归和决策树模型均表现出强劲的预测性能，其中后者更有效地捕捉了路线选择行为中的非线性依赖关系。
• 模型在预测收费区域级别的交通量方面实现了更高的准确性，该单位对ATFCM决策至关重要。
• 研究发现，路线效率、成本和拥堵是影响航空公司路线选择的关键决定因素，验证了模型的解释能力。
• 尽管结果表现良好，该方法在空间和时间分辨率方面仍存在局限，凸显了对更高品质数据和模型优化的迫切需求。
• 作者结论认为，该框架为当前粗略的预测方法提供了一种切实可行且数据驱动的替代方案，并为未来改进指明了清晰路径。