Buch, Englisch, Band 2018-08, 195 Seiten, Format (B × H): 148 mm x 209 mm
Reihe: NFL-Forschungsberichte
Buch, Englisch, Band 2018-08, 195 Seiten, Format (B × H): 148 mm x 209 mm
Reihe: NFL-Forschungsberichte
ISBN: 978-3-947623-04-4
Verlag: Technische Uni Braunschweig NFL
Zusammenfassung
Wettervorhersagen stellen einen wesentlichen Einsatz im Flugplanungsprozess dar. Während andere Eingangsgrößen meist mit einer hohen Gewissheit den Fluggesellschaften bekannt sind, besitzen Wettervorhersagen ein inhärentes Maß an Unsicherheit. Flugplanungssysteme haben jedoch in den meisten Fällen keine andere Wahl, als die Vorhersage als vollständig akkurat anzunehmen. Solche Unsicherheiten führen dazu, dass eine Trajektorie geplant wird, welche nicht die kosteneffizienteste ist. Tatsächlich wurden Vorhersageunsicherheiten als die größte Ursache von Trajektorienvorhersagefehlern identifiziert. Wettervorhersagen werden allgemein durch numerische Simulationen der globalen Atmosphäre erzeugt. Diese Simulationen basieren dabei auf Modellen, welche die physikalischen Prozesse modellieren. Da diese jedoch nur eine Approximation der komplexen Vorgänge in der Atmosphäre darstellen, entsprechen die Vorhersagen nicht der Wahrheit. Technologische Fortschritte im Bereich der Datenverarbeitung haben zu einer breiteren Fülle an Möglichkeiten zur Verarbeitung von großen Datenmengen, allgemein als Big Data bekannt, geführt. Diese Datenverabeitung schließt Datenanalysen und Methoden des maschinellen Lernens ein, womit für das menschliche Auge nicht erkennbare Muster detektiert werden können. Es ist somit von wissenschaftlichem Interesse, ob Unsicherheiten in Wettervorhersagen ebenfalls mit diesen Methoden prognostiziert werden können und ob damit ein Vorteil auf den Flugplanungsprozess erzeugt werden kann.
Diese Arbeit liefert eine Durchführbarkeitsuntersuchung einer datenbasierten Herangehensweise an die Prognose von Vorhersageunsicherheiten, mitsamt einer anschließenden Validierung potentieller Vorteile auf die Planbarkeit eines Flugplanungssystems. Dafür wird ein Datencluster benutzt, worauf globale Wettervorhersage- und Re-Analyse-Daten über knapp unter zehn Jahre aufbereitet werden. Acht Algorithmen des maschinellen Lernens werden anhand dieser Daten mit der Diskrepanz zwischen besagten Datensätzen trainiert. Ziel ist es, dass die Algorithmen zugrundeliegende Muster der Unsicherheit erlernen. Dieses erlernte Wissen kann anschließend anhand eines Testdatensatzes auf die algorithmische Vorhersageleistung geprüft werden. Gleichzeitig kann so auch der am besten prognostizierende Algorithmus je Vorhersageinstanz bestimmt werden. Eine zweite algorithmische Schicht wird im Anschluss realisiert, welche diese Testergebnisse zur Bestimmung des womöglich am besten prognostizierenden Algorithmus je Vorhersageinstanz eines weiteren Datensatzes benutzt. Dieser Validierungsdatensatz erstreckt sich zeitlich über ein Jahr und liefert somit zeitgleich die Vorhersagen für die Flugplanung von drei Flugverbindungen. Diese Pläne werden im Anschluss mit den echt geflogenen Trajektorien verglichen, indem eine Diskrepanz ermittelt wird. Dadurch wird evaluiert, ob die Diskrepanz des mit Algorithmen prognostizierten Flugplans geringer ist als die des Plans basierend auf den Originalvorhersagen. Ergebnisse zeigen, dass die Algorithmen die Unsicherheit in einer Mehrheit von Fällen verringern können. Nachfolgende Ergebnisse zu den Flugplänen zeigen ein ambivalenteres Bild auf. Eine starke Korrelation zwischen Vorhersageleistung und durchflogener Weltregion kann dabei beobachtet werden. So kann kein Vorteil bezüglich der Vorhersagbarkeit des Flugplanungssystems für einen Flug in Südostasien bestimmt werden, während ein leichter Vorteil für einen interkontinentalen Langstreckenflug identifiziert wird.
Eine operationelle Umsetzung ist zum jetzigen Zeitpunkt nicht empfohlen, da weitere Validierungen durch eine größere Zahl an Flugverbindungen über alle Weltregionen zur Bestimmung der Machbarkeits- und Zuverlässigkeitsgrenzen nötig sind. Weiterführende Forschung wird zum Verständnis zugrundeliegender Muster sowie zur Erhöhung der Systemzuverlässigkeit benötigt.
