CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Cost index (CI) and take-off mass (TOM) estimation using machine learning algorithms

Estudiants que han llegit aquest projecte:

Director/a: DALMAU CODINA, RAMON

Departament: FIS

Títol: Cost index (CI) and take-off mass (TOM) estimation using machine learning algorithms

Data inici oferta: 10-12-2016     Data finalització oferta: 10-07-2017


Estudis d'assignació del projecte:
    Tipus: Conjunt     Nombre d'estudiants per realitzar-ho: 1-2
     
    Lloc de realització: EETAC
     
    Segon director/a (UPC): PRATS MENÉNDEZ, XAVIER
     
    Paraules clau:
    Machine learning, Cost index, Parameters estimation
     
    Descripció del contingut i pla d'activitats:
    El Cost index (CI) reflecteix la relació entre el cost relacionat amb el temps d'un vol i el
    cost del combustible. Com més gran és el cost index, més ràpid serà el vol i més
    combustible es consumirà. El cost del combustible és fàcil de determinar, però el cost del
    temps depén de cada aerolínia i pot canviar d'un vol a un altre.

    El CI i la take-off-mass (TOM) són dos paràmetres molt importants per estudiar les
    preferències d'operació de les aerolínies i per realitzar prediccions de trajectòries
    exactes. Desafortunadament, les aerolínies no fan públics aquest paràmetres per no
    "donar pistes" de les seves estratègies de mercat.

    L'objectiu d'aquest TFG és estimar el cost index i la take-off mass a partir de dades
    històriques del DDR d'EUROCONTROL utilitzant algoritmes de machine learning.

    L'algoritme de machine learning s'entrenarà amb dades del PEP (programa de
    performance d'Airbus), generant milers de trajectòries amb diferents CI, TOM i
    parametres com ara: distancies, vents, desviacions respecte ISA, models d'avió, etc. Un
    cop entrenat l'algoritme, la predicció de CI i TOM es realitzarà utilitzant dades del M1 i/o
    del M3 proporcionades per EUROCONTROL.

    El desenvolupament dels scripts necessaris per cridar de forma automàtica el PEP i ja
    comportarà una càrrega de treball important. A tot això cal afegir-hi la tasca de tria i
    desenvolupament de l'algoritme de machine learning i el filtrat de les dades d'entrada del
    DDR. Considerem que el volum de treball d'aquest TFG és massa per a una sola persona.
     
    Overview (resum en anglès):
    The Cost Index (CI) and Take-off Mass (TOM) are two parameters that are very important in order to study the preferences on airlines operation. In the same way, these two parameters would allow to predict ground-based trajectories accurately. Nowadays, unfortunately, this information is not shared by the airlines, because this information is confidential as they help to define market strategies of the airline.

    The objective of this final degree project is to develop and evaluate an algorithm able to estimate CI and TOM from data of a flight trajectory, that could be collected by a conventional antenna (i.e. radar data or ADS-B), by using Machine Learning algorithms.

    The algorithm should be trained with data from the PEP (Performance Program Airbus). The data will be shaped by thousands of trajectories generated with different ranges of distances, TOM, CI and atmospheric conditions in order to establish the input training data for Machine Learning. Once the algorithm has been generated, to ensure its robustness, it will be tested with data containing noise where the influence of the parameters in the prediction would be evaluated. Finally, it will be validated with new aircraft trajectories from PEP.

    The ultimate goal of the final degree project is to check and perform the study with real flight data. To realize this, radar data will be obtained from the DDR2 platform of Eurocontrol. With some flights trajectories, we will study the values of CI and TOM used by several airlines with the Machine Learning algorithm previously trained.

    In conclusion, it has been demonstrated that for CI the most relevant input variable is the Mach Number because it is the most visible evidence given to the time-fuel cost relation. On the other hand, TOM is more related to the distance of the flight and flight levels (FL). When the prediction algorithm is applied to real cases flights, we observed that low-cost airlines and flag carriers use different strategies of CI. Even so, a single airline usually use the same CI for most of their routes, wasting the opportunity to optimize the costs of the route and all the advantages offered by the CI.

    © CBLTIC Campus del Baix Llobregat - UPC