Divisão de Engenharia Civil Ano: 2023
(Turma 2023, TGs 2023)
Estudo da capacidade do sistema de pistas de um aeroporto por meio de inteligência artificial explicável (pdf 2,3 MB)
Autor: Igor Galhano Gomes
Orientador(es): Marcelo Xavier Guterres
Relator(es): Wallace Silva Sant' Anna Souza
Ano: 2023
Resumo:
Embora métodos de machine learning tenham sido amplamente utilizados em estudos da indústria da aviação recentemente, houve progresso limitado em tornar os resultados desses modelos compreensíveis para os humanos. Dada a importância de previsões explicáveis para um suporte à decisão confiável no Gerenciamento de Tráfego Aéreo (ATM), este estudo explora o uso de Multilayer Perceptron e Random Forests, combinados com uma abordagem de Local Interpretable Model-agnostic Explanations (LIME), para desenvolver modelos preditivos capazes de gerar previsões interpretáveis da configuração ativa de pistas e da capacidade dinâmica do sistema de pistas de aeroportos. Uma abordagem de aprendizado supervisionado foi usada para constrnir os modelos a partir de dados históricos de demanda, meteorologia e operações em Aeroporto Internacional de São Paulo/Guarulhos, Aeroporto Internacional de Viracopos/Carnpinas e Aeroporto de São Paulo/Congonhas. Os modelos preditivos foram capazes de fornecer previsões da configuração da pista com uma precisão superior a 90,003 e previsões da capaeidade de pousos/decolagens com erros abaixo de 1,589. Com LIME, de forma geral, explicações consistentes foram obtidas através dos modelos em cada previsão. Uma ferramenta preditiva interativa foi criada para fornecer as previsões da configuração da pista e da capaeidade, bem como os principais fatores contribuintes para cada previsão, dentro de um horizonte de previsão de 24 horas. Esta pesquisa visa melhorar a tomada de decisão, integrando modelos preditivos e modelos explicativos em aplicações que fornecem informações úteis para ATM. Abstract:
Although machine learning methods have been widely used in aviation industry studies
recently, there has been limited progress in making the results of these models understandable to humans. Given the importance of explainable predictions for trustworthy decision support in Air Traffic Management (ATM), this study explores the use of Multilayer
Perceptron and Random Forests, combined with a Local Interpretable Model-agnostic
Explanations (LIME) approach, to develop predictive models capable of generating interpretable forecasts of airport runway configuration and dynamic capacity. A supervised
learning approach was used for building the models from historical demand, weather and
traffic data at Sao Paulo/Guarulhos International Airport, Campinas/Viracopos International Airport and Sao Paulo/Congonhas Airport. The predictive models are able to
deliver runway configuration forecasts with an accuracy higher than 90.00% and arrival/departure capacity forecasts with errors as low as 1.589. With LIME, overall consistent explanations are obtained through the models on each prediction. An interactive
predictive tool is created to output the runway configuration and capacity forecasts as
well as the main contributing factors for each forecast within a 24-hour forecasting horizon. This research aims to improve decision-making by integrating predictive models and
explanatory models into applications that provide useful information for ATM.
