Ausgangspunkt / Motivation

Beeinträchtigungen im Flugverkehr durch Wetterereignisse wie Gewitter, Nebel oder Starkwind Verursachen oft Verspätungen, zum Frust der Passagiere und Fluggesellschaften. Durch den Klimawandel wird dieses Problem in Zukunft noch verschärft. Solche Ereignisse werden nun durch neu entwickelte Technologien immer präziser vorhersehbar.

Ziele

• Die Planbarkeit durch Einbindung von Verkehrsprognosen und Wettervorhersagen zu erhöhen
• Evaluierung der vorgegebenen Metriken
• Einbindung von neuen Machine Learning Methoden in die Vorhersagen

Inhalt

Mit Upscaling-Algorithmen werden Verkehr und Wetter zeitlich und geografisch zusammengeführt und zur weiteren Verwendung in ein einheitliches Format gebracht. gemeinsam mit den annotierten Daten wird dann mit Machine Learning Methoden ein Modell zur Rückrechnung der Metriken für Komplexität, Workload und Kapazität entwickelt.

Mit diesem Modell können in weiterer Folge aus Verkehrs- und Wettervorhersagen die optimalen Kapazitäten für jeden Sektor bestimmt werden. Langfristig sollen damit auch Wechselwirkungen zwischen den einzelnen Sektoren betrachtet werden können.

Methodik / Vorgehensweisen

Aus historischen Verkehrs- und Wetterdaten werden Metriken für Komplexität, Workload und Kapazität ausgewertet, damit werden die einzelnen Verkehrs- und Wetterradarbilder annotiert. Zusätzlich soll die Anwendung von Machine Learning evaluiert werden.

Ergebnisse

Dieses Projekt konnte seriöse Kapazitätsaussagen aus Verkehrsprognosen (Traffic Demand) und Wettervorhersagen erstellen und damit die Planbarkeit weiter erhöhen. Aus diesen Ergebnissen konnten zwei Folgeprojekte, WeCap DS und WeCap TMA, weiter aufbauen.

Projektkoordination

Robimo GmbH

Projektpartner:innen

Austro Control Österreichische Gesellschaft für Zivilluftfahrt mit beschränkter Haftung

Robimo GmbH
Roßauer Lände 25/28
A-1090 Wien
E-Mail: office@robimo.at
Web: www.robimo.at