Echtzeitfähiges, durch Maschinelles Lernen gestütztes integriertes Airline Steuerungssystem

Projektinformationen

Gefördert durch die DFG
Projektlaufzeit von 3 Jahren seit März 2024

In der geschäftigen Welt des Luftverkehrsmanagements sind die Minimierung von Verspätungen und die betriebliche Effizienz von größter Bedeutung. Dieses Projekt konzentriert sich auf die Entwicklung eines innovativen, maschinell lernunterstützten integrierten Airline-Kontrollsystems, das darauf abzielt, Störungen und Verspätungen bei Fluggesellschaften an der Wurzel zu erkennen und zu beheben. Das Projekt wird von zwei Doktoranden durchgeführt, die sich jeweils auf unterschiedliche, aber sich ergänzende Bereiche des Airline-Betriebs spezialisiert haben.

Problemstellung

Die Luftfahrtindustrie steht vor erheblichen Herausforderungen im Umgang mit Turnaround-Verzögerungen und deren kaskadierenden Effekten im gesamten Luftverkehrsmanagement-Netzwerk (ATM). Diese Verzögerungen beeinträchtigen nicht nur den Betrieb der Fluggesellschaften, sondern führen auch zu erhöhten Betriebskosten und einer verringerten Passagierzufriedenheit. Traditionell wurden diese Probleme durch voneinander getrennte, oft isolierte Ansätze angegangen, die sich auf unterschiedliche operationelle Komponenten wie Flugzeugmanagement, Besatzung und Passagiermanagement konzentrieren. Das Ziel dieses Projekts besteht darin, die Luftverkehrskontrollsysteme zu optimieren, indem Störungen und Verzögerungen durch ein in Echtzeit fähiges, integriertes Airlines-Kontrollsystem, das von maschinellem Lernen unterstützt wird, effektiver adressiert werden. Wir beabsichtigen, den bestehenden Ansatz zur Verwaltung von Turnaround-Zeiten und Verkehrsflüssen zu erweitern, indem mehrere Interessengruppen wie Flughäfen, Luftverkehrskontrollzentren und Verkehrsflussmanager einbezogen werden.

Rolle der Optimierung

Im Optimierungsteil werden technisch-analytische Aufgaben im Bereich Operations Research sowie für die Implementierung von Kontrollprozessen im Flottenumlauf und in der Bodenabfertigung bearbeitet. Im Vordergrund stehen die folgenden Optimierungsaufgaben:

Vorbereitung operativer Korrelationen: Vorbereitung operativer Korrelationen zur Identifizierung von Mustern und Zusammenhängen in den Daten der Airline-Operationen. Durch die Analyse dieser Korrelationen beabsichtigen wir, den Flottenumlauf und die Bodenabfertigungsprozesse zu optimieren, um die Effizienz zu steigern und Verspätungen zu reduzieren.
Entwurf und Implementierung eines Stakeholder-übergreifenden Kontrollprozesses: Entwurf und Implementierung eines übergreifenden Kontrollprozesses für den Flottenumlauf und die Bodenabfertigung. Dies umfasst die Koordinierung und Optimierung der Interaktionen zwischen den verschiedenen beteiligten Stakeholdern in den Airline-Operationen, um Prozesse zu straffen und die Gesamtleistung zu verbessern.
Integration von Kontrollmaßnahmen: Integration von Kontrollmaßnahmen, die aus der Datenanalyse und operativen Korrelationen abgeleitet wurden, in das Optimierungsframework. Durch die Einbindung dieser Kontrollmaßnahmen zielt der erste Forscher darauf ab, die Entscheidungsprozesse zu verbessern und die Echtzeitfähigkeiten des Airline-Kontrollsystems zu steigern.
Flexibilisierung und Anpassung von Einschränkungen: Flexibilisierung und Anpassung von Einschränkungen, die aus maschinellen Lernvorhersagen resultieren. Dies beinhaltet die Anpassung von Einschränkungen auf Basis von Echtzeitdaten und Erkenntnissen, um die Effizienz des Kontrollsystems zu verbessern und die Entscheidungsfindung zu optimieren.

Rolle des maschinellen Lernens

Maschinelles Lernen (ML) ist der zweite zentrale Bestandteil unseres Projekts und unterstützt in der Analyse großer Mengen an operativen Daten, um Verspätungen vorherzusagen und das Airlines-Kontrollsystem schneller und effizienter im Umgang mit potenziellen Störungen zu machen. Dabei liegt der Schwerpunkt auf der Entwicklung und Integration von maschinellen Lerntechniken in dieses Projekt mit folgenden Aufgaben:

Entwicklung von Vorhersagemodellen: Entwurf und Training von maschinellen Lernmodellen, die reaktive Verspätungen vorhersagen und Reaktionsstrategien optimieren. Diese Modelle nutzen historische Daten, um Muster zu erkennen und Ergebnisse unter verschiedenen betrieblichen Szenarien vorherzusagen.
Echtzeit-Entscheidungsfindung: Implementierung von maschinellen Lernalgorithmen, die schnelle und effektive Entscheidungsfindung in Echtzeit unterstützen, um sicherzustellen, dass das integrierte Airlines-Kontrollsystem schnell auf betriebliche Veränderungen reagieren und die Auswirkungen von Störungen minimieren kann.
Kollaborative Integration: In Zusammenarbeit mit meinem Kollegen, der die Forschung zu Airline-Operationen leitet, sorgen wir gemeinsam dafür, dass die Ergebnisse des maschinellen Lernens gut in den Betriebsablauf der Airline integriert werden. Diese Teamarbeit ist entscheidend, um eine Lösung zu schaffen, die sowohl technisch solide als auch praktisch für die Airline ist.

Projektauswirkung

Das Projekt zielt durch einen integrativen Ansatz und den Einsatz fortschrittlicher maschineller Lernverfahren auf eine Steigerung der betrieblichen Effizienz im Airline Steuerungsprozess ab. Im Mittelpunkt stehen die Reduktion von Verspätungen sowie die Optimierung des Ressourcenmanagements. Dies wiederum soll die betriebliche Resilienz und Anpassungsfähigkeit der Fluggesellschaft stärken, wodurch langfristig eine verbesserte Servicequalität für Passagiere als auch eine Kostenreduktion aufgrund Verspätungen erreicht wird.