Hodnocení sekvencování příletů na letišti Stockholm Arlanda

Abstract

Tato diplomová práce představuje analýzu sekvencování příletů na letišti Stockholm Arlanda. Sekvencování příletů je velmi důležitá část řízení letového provozu a zajišťuje bezpečné místní i časové rozestupy blížících se letadel. V této práci používáme historická letová data z databáze Opensky Network. Historická letová data obsahují informaci o všech příletech na letiště Stockholm Arlanda během roku 2018. Účelem této diplomové práce je navržení key performance indicators (KPIs), neboli ukazatelů výkonnosti, pro zhodnocení sekvencování příletů na letišti Stockholm Arlanda. Pro toto zhodnocení uvažujeme tři ukazatele výkonnosti, těmi jsou minimální čas do cíle, deviace rozestupů a tlak sekvence na runway. V této práci vybíráme subsety dat o různé velikosti, které reprezentují různé dopravní situace. Dále jsou v této práci vizualizovány výsledky analýzy a dále sumarizovány do tabulek, což zajišťuje lepší přehlednost pro porovnání výsledků pro stejné ukazatele výkonnosti různých data subsetů. Dále je v práci demonstrováno jak mohou být navržené ukazatele výkonnosti využity pro zhodnocení výsledků optimizace příbuzné studie. Závěrem konstatujeme, že navržené ukazatele výkonnosti jsou velmi užitečné pro analýzu sekvencování příletů a pomáhají odhalit neefektivnosti v řízení příletů v oblasti blízko letiště.

This work presents an analysis of arrival sequencing at Stockholm Arlanda airport. The sequencing of arrivals is very important part of air traffic control management and assures safe space and time distancing of arriving aircraft. In this work we use historical flight data from Opensky Network database. The historical flight data contains the information about all the arrivals of the year 2018. The aim of this work is to propose the key performance indicators (KPIs) for evaluation of the arrival sequencing at Stockholm Arlanda airport. The three KPIs we are considering in this work are the minimum time to final, spacing deviation and sequence pressure. We choose data subsets of different size representing different traffic situations. We visualize the results and summarize them in tables which assures better clarity for the comparison of the same KPIs for different data subsets. In addition, we demonstrate how the proposed KPIs can be used for evaluation of optimization results from related study. We conclude that the proposed KPIs are very useful for analysis of the arrival aircraft sequencing and help to uncover inefficiencies within the terminal manoeuvring area (TMA).