Contributions à la gestion du trafic aérien : prédiction des trajectoires par réseaux de neurones et cartes de complexité par maximum d'entropie

Contributions to air traffic management : prediction of trajectories by neural networks and complexity maps by maximum entropy

• Auteur / Autrice : Thi lich Nghiem
• Direction : Pierre Maréchal, Thi-Lan Le
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 16/09/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Toulouse (2007-....)
• Jury : Président / Présidente : Eric Feron
• Jury : Examinateurs / Examinatrices : Denis Kouamé
• Jury : Rapporteur / Rapporteuse : Duc Dung Nguyen, Valérie Girardin

Mots clés

Mots clés contrôlés

Apprentissage automatique

Réseaux neuronaux (informatique)

Circulation aérienne -- Contrôle

Mots clés libres

Gestion du trafic aérien

Prédiction des trajectoires

Réseaux de neurones

Maximum d'entropie

Géométrie de l'information

Air traffic management

Prediction of trajectories

Neural networks

Maximum entropy

Information geometry

Résumé

Dans le contexte de la gestion du trafic aérien (ATM), la demande croissante d'espace aérien exerce une pression sur les systèmes existants. Cette demande nécessite des mesures de sécurité renforcées et une optimisation de l'espace aérien pour faire face à l'augmentation du trafic. La complexité du trafic aérien dépend du flux en temps réel des vols dans un espace aérien donné, incluant le nombre de vols et leurs positions relatives. En raison des limites de conception de l'espace aérien, les vols doivent ajuster leurs trajectoires, ce qui affecte la complexité du trafic. Mesurer cette complexité dynamique est difficile. Cette thèse explore la prédiction des trajectoires de vol et l'estimation de la complexité du trafic aérien en utilisant l'apprentissage automatique, le principe du maximum d'entropie et la géométrie de l'information. Prédire les trajectoires de vol est crucial pour une gestion efficace du trafic aérien. Les méthodes traditionnelles peinent à capturer les dépendances spatio-temporelles complexes et les incertitudes propres à l'aviation. Le modèle BayesCoordLSTM proposé intègre la transformation de coordonnées et le théorème bayésien dans les ConvLSTM pour améliorer la précision des prédictions. En combinant les caractéristiques spatiales du CNN avec les dépendances temporelles du LSTM, ce modèle offre des prévisions probabilistes avec une meilleure conscience spatiale et précision, validées par des données réelles. Estimer la complexité de l'espace aérien implique de reconstruire les fonctions de densité de probabilité angulaire pour évaluer la répartition du trafic. Cette approche permet de modéliser la congestion de l'espace aérien et d'anticiper les schémas de trafic complexes. En utilisant l'entropie maximale, des cartes de complexité du trafic sont générées à partir des données de trajectoires. En conclusion, cette thèse propose des solutions pour améliorer la gestion du trafic aérien en prédisant avec précision les trajectoires de vol et en évaluant la complexité de l'espace aérien.

In the context of air traffic management (ATM), the increasing demand for airspace puts pressure on existing systems. This demand requires reinforced security measures and optimization of airspace to cope with the increase in traffic. The complexity of air traffic depends on the real-time flow of flights in a given airspace, including the number of flights and their relative positions. Due to airspace design limitations, flights must adjust their trajectories, which affects traffic complexity. Measuring this dynamic complexity is difficult. This thesis explores flight path prediction and air traffic complexity estimation using machine learning, maximum entropy principle and information geometry. Predicting flight paths is crucial for effective air traffic management. Traditional methods struggle to capture the complex space-time dependencies and uncertainties unique to aviation. The proposed BayesCoordLSTM model integrates coordinate transformation and Bayesian theorem into ConvLSTMs to improve prediction accuracy. By combining the spatial characteristics of the CNN with the temporal dependencies of the LSTM, this model offers probabilistic forecasts with better spatial awareness and accuracy, validated by real data. Estimating airspace complexity involves reconstructing angular probability density functions to assess traffic distribution. This approach makes it possible to model airspace congestion and anticipate complex traffic patterns. Using maximum entropy, traffic complexity maps are generated from the trajectory data. In conclusion, this thesis proposes solutions to improve air traffic management by accurately predicting flight trajectories and assessing airspace complexity.