Klasifikace trajektorií letadel dle dynamiky pohybu s využitím neuronových sítí

Abstract

Strojové učení je považováno za směr dnešního a budoucího vývoje ATM systémů. Strojové učení poskytuje nové přístupy k řešení problémů spojených s narůstajícími nároky na bezpečnost a efektivitu, díky čemuž se jedná o kompetentní nástroj s možnou implementací napříč oblastí ATM. Jádrem každého ATM systémů jsou algoritmy určené k sledování letadel v čase. Tyto algoritmy přijímají velké množství dat ze sledovacích systémů, a aplikují na ně komplexní výpočty s cílem efektivního a přesného sledování v čase. Filtrace sledování v čase klade velké požadavky na výpočetní výkon. S cílem umožnit optimalizaci potřebného výpočtu pro filtrování sledování v čase, je navržená neuronová síť, která má za úkol klasifikaci sledovaných letadel na základě dynamiky jejich pohybu. Účelem neuronové sítě je klasifikovat tracky v korelaci s chováním sledovaného letadla, což umožní implementaci systémů s dynamickým přiřazováním různých filtrů sledování v čase. navržená neuronová síť je trénována a testována pomocí ADS-B dat. Navržená neuronová síť je dále hodnocena pomocí definovaných ukazatelů výkonnosti.

Machine learning is considered to be the direction of current and future ATM systems development. Providing new approaches to challenges presented by the ever-increasing demands on safety and efficiency, it represents a powerful tool for solving problems across the ATM industry. The core of any ATM system is aircraft tracking algorithms that receive large amounts of surveillance data and apply complex computations in order to provide precise tracking data. Track filtering poses a large challenge when the computational power needed is considered. With the goal of optimizing the computations required for effective tracking, an Artificial Neural Network tasked with track classification based on the tracked aircraft dynamics is presented. The purpose of the ANN is to classify tracks in correlation with the behaviour of the tracked aircraft, in order to allow for dynamic filtering algorithm designation. The ANN is trained and tested using ADS-B data and evaluated by defined performance indicators.