Record #345103 - GSI Repository

DFG project G:(GEPRIS)517414238

Echtzeitfähiges, durch Maschinelles Lernen gestütztes integriertes Airline-Steuerungssystem

Coordinator	Professor Dr.-Ing. Hartmut Fricke
Grant period	2023 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)517414238

Note: Die Bodenabfertigung (Turnaround, kurz TA) umfasst alle Prozesse, die notwendig sind, um ein am Flughafen ankommendes Flugzeug auf den nächsten Flugabschnitt vorzubereiten. Die Interaktion und teils unzureichende Abstimmung der Prozessbeteiligten sowie die begrenzte Ressourcenverfügbarkeit entwickeln dabei ein Störpotenzial, welches mitsamt reaktionären Netzwerkeffekten in eng getakteten Flugplänen die Hauptursachen von Flugverspätungen bilden. Gleichzeitig bietet der TA das Potenzial, steuernd in den Flugbetrieb einzugreifen und die On-Time Performance zu sichern sowie reaktionäre Verspätungen und verpasste Anschlussbeziehungen zu vermeiden. Entsprechende Steuerungsmaßnahmen basieren auf alternativen Prozessausführungen, veränderten Bearbeitungsprioritäten und einer gezielten Ressourcenzuweisung. Sie werden jedoch durch Disponenten entschieden, die bisher auf Grundlage unvollständigen Informationsaustauschs und fehlender Prognosen agieren. Zudem erfolgt die Wahl dieser Wiederherstellungsmaßnahmen nicht ganzheitlich von Passagier-, LFZ- und Crew Planung, welche in der Literatur bei Berücksichtigung von nur zwei dieser Planungsschritte bereits als „integrierte“ Optimierung bezeichnet werden. Eine zusätzliche TA - Verschaltung unter Engpasssituationen (Ressourcen, Kapazität) am Flughafen und im Luftraum ist hingegen gänzlich neu. Ein Grund hierfür ist in der erheblichen Laufzeit klassischer Lösungsverfahren für diese Konfiguration zu sehen. Diese Hürde soll durch effiziente Verfahren des maschinellen Lernens (ML) basierend auf als ähnlich klassifizierten vorberechneten Störsituationen überwunden werden. Erste Forschungsergebnisse zeigen, dass ML-basierte Ansätze eine Laufzeitverbesserung durch Unterstützung trivialer Heuristiken bieten. Aufbauend auf den bisherig publizierten Forschungsergebnissen zu Entscheidungsmodellen im TA und auf Ebene einzelner Flottenumläufe werden diese in einem MI(N)LP Optimierungsmodell gekoppelt und um netzweite Maßnahmen wie Aircraft Swap oder Delay Management erweitert. Dies ermöglicht die Prädiktion reaktionärer Verspätungen über den verbleibenden Betrachtungshorizont und überführt Transferbeziehungen hinsichtlich Passagiere, LFZ und Crew in lokale Bewertungsfunktionen. Das ML-Verfahren soll dabei eine aktuelle Störung mit auf strategischer Planungsebene vorausberechneten Störungen vergleichen. Hiermit werden problemspezifische, voraussichtlich optimale Maßnahmen als zusätzliche Nebenbedingungen zur Einschränkung des Lösungsraums der klassischen Optimierung fixiert, herkömmliche Solver in der Konvergenz unterstützt. Erklärtes Ziel ist die Identifikation eines überwachten ML-gestützten Lösungsverfahrens zur automatisierten Lösung von Entscheidungssituationen, die für verschiedene LVG Netzwerke zur Abbildung der dynamischen Situationen an Flugplätzen zeitlich rollierend aktiviert werden.

Recent Publications

There are no publications

Record created 2023-09-14, last modified 2024-09-28

Similar records

Add to personal basket
Export as Author List with IDs BibTeX (UTF-8), EndNote XML, EndNote Text, RIS, MARC, Print MARC, MARCXML, DC,
Request correction
Submit fulltext

GSI Homepage \| GSI Library \| English Deutsch \| guest :: login GSI Repository
Search	Submit	Personalize Your alerts Your baskets Your searches	Help