Apprentissage artificiel appliqué à la prévision de trajectoire d'avion

• Main Author: Alligier, Richard
• Format: Others
• Published: 2014
• Online Access: http://oatao.univ-toulouse.fr/12286/1/alligier.pdf

L'organisme Eurocontrol prévoit une forte hausse du trafic aérien européen d'ici l'année 2035. Cette hausse de trafic justifie le développement de nouveaux concepts et outils pour pouvoir assurer les services dus aux usagers de l'espace aérien. La prévision de trajectoires d'avion est au coeur de ces évolutions. Parmi ces outils, les outils de détection et résolution de conflits utilisent les trajectoires prédites pour anticiper les pertes de séparation entre avions et proposer des solutions aux contrôleurs aériens. L'horizon de prédiction utilisé pour cette application est de l'ordre de dix à vingt minutes. Parmi les algorithmes réalisant une détection et résolution de conflits, certains sont mis en œuvre au sol, obligeant ainsi les prédictions à être calculées en n'utilisant que les informations disponibles dans les systèmes sols. Dans ces systèmes, la masse des avions ainsi que les profils de vitesse ou de poussée des moteurs ne sont pas connus. Ainsi, le calcul d'une trajectoire prédite avec un modèle physique se fait en utilisant des valeurs de référence pour les paramètres inconnus. Dans ce cadre, nous nous intéressons à la phase de montée pour laquelle ces paramètres influent grandement sur la trajectoire de l'avion. Ce travail s'appuie sur le modèle physique BADA développé et maintenu par Eurocontrol. Ce modèle physique modélise, entre autres, les performances des avions. Il fournit également des valeurs de référence pour les paramètres inconnus comme la masse de l'avion, son profil de vitesse en montée, ou la commande de poussée des moteurs. Ce modèle, largement utilisé dans le monde entier, est particulièrement imprécis pour la phase de montée, car les valeurs réelles de ces paramètres sont parfois très éloignées des valeurs de référence. Dans cette thèse, nous proposons soit d'estimer directement certains paramètres, comme la masse, à partir des points passés de la trajectoire, soit d'utiliser des méthodes d'apprentissage supervisé afin d'apprendre, à partir d'exemples, des modèles prédisant les valeurs des paramètres manquants (masse, loi de poussée, vitesses cibles). Ces différentes méthodes sont testées sur des données radar Mode-C et Mode-S sur plusieurs types d'avions. Les prédictions obtenues avec ces méthodes sont comparées à celles obtenues avec les paramètres de référence. Elles sont également comparées avec les prédictions obtenues par des méthodes de régression prédisant directement l'altitude de l'avion plutôt que les paramètres du modèle physique. Nos méthodes permettent de réduire, suivant le type de l'avion, de 50 % à 85 % par rapport à la méthode BADA de référence, la racine de l'erreur quadratique moyenne sur l'altitude prédite à un horizon de dix minutes.