Javascript must be enabled to continue!
Optimization Models for Air Traffic Flow Management
View through CrossRef
Modèles d'optimisation pour le management de flux de trafic aérien
Les retards et les émissions CO2 sont des sujets critiques dans l’industrie aéronautique. Les principales sources de retard sont le déséquilibre entre la demande et la capacité, la dotation en personnel des contrôleurs du traffic aérien et les conditions météorologiques extrêmes. Dans certains cas, les compagnies aériennes peuvent choisir d’augmenter la vitesse de l’avion au delà de celle programmée, ce qui engendre une augmentation des émissions. Plusieurs projets ont été lancés pour améliorer le partage d’informations et, par conséquent, la prise de décision au profit de tous les acteurs ou toutes les parties prenantes de l’aviation et réduire les retards et les émissions.Dans cette thèse de doctorat, nous visons à étudier le problème de la gestion des flux du trafic aérien (Air Traffic Flow Management (ATFM)) du point de vue de la recherche opérationnelle / management des opérations. Nous étudions le modèle ATFM largement utilisé dans la littérature et l’analysons. Nous corrigeons les lacunes de formulation de la littérature et étendons la conception du réseau et les fonctionnalités considérées pour atteindre une meilleure représentation du réseau réel. Dans cette extension, nous considérons plusieurs types de vols et plusieurs décisions, comme le changement de trajectoire et d’aéroport d’atterrissage. L’objectif de de ce travail peut être résumé dans les points suivants.(1) Étudier l’impact de la centralisation du processus de prise de décision dans le problème ATFM par rapport à la situation actuelle où les décisions de l’autorité ATFM et des compagnies aériennes sont prises indépendamment.1(2) Analyser l’équité inter-vols et inter-compagnies dans le problème ATFM.(3) Construire un modèle de capacité météorologique de décision pour les aéroports et développer des arbres de scénarios pour les réseaux ATFM stochastiques basés sur des données réelles.(4) Intégrer la configuration dynamique de l’espace aérien dans le problème ATFM et analyser son impact.(5) Tenir compte des émissions CO2 et des différents types de carburant dans l’ATFM.Nous développons dous cette thèse plusieurs extensions du modèle ATFM pour analyser ces problématiques. Tout d’abord, nous proposons un modèle ATFM déterministe qui centralise les décisions de l’autorité ATFM et des compagnies aériennes, et qui considère différentes options de réacheminement. Ensuite, nous formulons un modèle ATFM stochastique qui tient compte des incertitudes météorologiques du traffic aérien. La relation météo-capacité et les arbres de scénarios stochastiques sont élaborés à l’aide des rapports d’aérodrome météorologiques, de la base de données AirportCorner et de la technique de regroupement des k-means. Ensuite, nous nous concentrons sur l’optimisation de la configuration de l’espace aérien en même temps que le problème ATFM en minimisant la capacité totale de l’espace aérien inutilisé et le coût total du réseau. Enfin, nous intégrons les émissions CO2 dans la modélisation ATFM à travers un modèle d’optimisation bi-objectif. Le modèle permet d’étudier l’impact des émissions de CO2 sur le coût du réseau et l’effet du type de combustible sur les décisions du réseau. Les modèles développés sont résolus en utilisant l’approche exacte, et dans le cas de temps de calcul longs, une heuristique du type fix-and-relax.Les modèles proposés peuvent aider les décideurs à analyser l’impact des décisions à prendre sur le réseau et les acteurs impliqués. Par conséquent, les conséquences et les coûts associés pourront être calculés. En outre, ces modèles aident les décideurs à affiner et à vérifier les résultats de plusieurs projets et initiatives ATFM. Ils suggèrent également aux décideurs comment les plans de vol peuvent être mis à jour en cas de perturbation du réseau et les coûts associés aux changements.
Title: Optimization Models for Air Traffic Flow Management
Description:
Modèles d'optimisation pour le management de flux de trafic aérien
Les retards et les émissions CO2 sont des sujets critiques dans l’industrie aéronautique.
Les principales sources de retard sont le déséquilibre entre la demande et la capacité, la dotation en personnel des contrôleurs du traffic aérien et les conditions météorologiques extrêmes.
Dans certains cas, les compagnies aériennes peuvent choisir d’augmenter la vitesse de l’avion au delà de celle programmée, ce qui engendre une augmentation des émissions.
Plusieurs projets ont été lancés pour améliorer le partage d’informations et, par conséquent, la prise de décision au profit de tous les acteurs ou toutes les parties prenantes de l’aviation et réduire les retards et les émissions.
Dans cette thèse de doctorat, nous visons à étudier le problème de la gestion des flux du trafic aérien (Air Traffic Flow Management (ATFM)) du point de vue de la recherche opérationnelle / management des opérations.
Nous étudions le modèle ATFM largement utilisé dans la littérature et l’analysons.
Nous corrigeons les lacunes de formulation de la littérature et étendons la conception du réseau et les fonctionnalités considérées pour atteindre une meilleure représentation du réseau réel.
Dans cette extension, nous considérons plusieurs types de vols et plusieurs décisions, comme le changement de trajectoire et d’aéroport d’atterrissage.
L’objectif de de ce travail peut être résumé dans les points suivants.
(1) Étudier l’impact de la centralisation du processus de prise de décision dans le problème ATFM par rapport à la situation actuelle où les décisions de l’autorité ATFM et des compagnies aériennes sont prises indépendamment.
1(2) Analyser l’équité inter-vols et inter-compagnies dans le problème ATFM.
(3) Construire un modèle de capacité météorologique de décision pour les aéroports et développer des arbres de scénarios pour les réseaux ATFM stochastiques basés sur des données réelles.
(4) Intégrer la configuration dynamique de l’espace aérien dans le problème ATFM et analyser son impact.
(5) Tenir compte des émissions CO2 et des différents types de carburant dans l’ATFM.
Nous développons dous cette thèse plusieurs extensions du modèle ATFM pour analyser ces problématiques.
Tout d’abord, nous proposons un modèle ATFM déterministe qui centralise les décisions de l’autorité ATFM et des compagnies aériennes, et qui considère différentes options de réacheminement.
Ensuite, nous formulons un modèle ATFM stochastique qui tient compte des incertitudes météorologiques du traffic aérien.
La relation météo-capacité et les arbres de scénarios stochastiques sont élaborés à l’aide des rapports d’aérodrome météorologiques, de la base de données AirportCorner et de la technique de regroupement des k-means.
Ensuite, nous nous concentrons sur l’optimisation de la configuration de l’espace aérien en même temps que le problème ATFM en minimisant la capacité totale de l’espace aérien inutilisé et le coût total du réseau.
Enfin, nous intégrons les émissions CO2 dans la modélisation ATFM à travers un modèle d’optimisation bi-objectif.
Le modèle permet d’étudier l’impact des émissions de CO2 sur le coût du réseau et l’effet du type de combustible sur les décisions du réseau.
Les modèles développés sont résolus en utilisant l’approche exacte, et dans le cas de temps de calcul longs, une heuristique du type fix-and-relax.
Les modèles proposés peuvent aider les décideurs à analyser l’impact des décisions à prendre sur le réseau et les acteurs impliqués.
Par conséquent, les conséquences et les coûts associés pourront être calculés.
En outre, ces modèles aident les décideurs à affiner et à vérifier les résultats de plusieurs projets et initiatives ATFM.
Ils suggèrent également aux décideurs comment les plans de vol peuvent être mis à jour en cas de perturbation du réseau et les coûts associés aux changements.
Related Results
TYPES OF AI ALGORİTHMS USED İN TRAFFİC FLOW PREDİCTİON
TYPES OF AI ALGORİTHMS USED İN TRAFFİC FLOW PREDİCTİON
The increasing complexity of urban transportation systems and the growing volume of vehicles have made traffic congestion a persistent challenge in modern cities. Efficient traffic...
A Traffic Flow Prediction Method Based on Blockchain and Federated Learning
A Traffic Flow Prediction Method Based on Blockchain and Federated Learning
Abstract
Traffic flow prediction is the an important issue in the field of intelligent transportation, and real-time and accurate traffic flow prediction plays a crucial ro...
Smart Traffic Control Using Computer Vision
Smart Traffic Control Using Computer Vision
A Smart Traffic Control System using Computer Vision utilizes cameras, image processing techniques, and machine learning algorithms to monitor, analyze, and manage traffic flow aut...
Traffic Prediction in 5G Networks Using Machine Learning
Traffic Prediction in 5G Networks Using Machine Learning
The advent of 5G technology promises a paradigm shift in the realm of
telecommunications, offering unprecedented speeds and connectivity. However, the
...
MODELİNG OF TRAFFİC LİGHT CONTROL SYSTEMS
MODELİNG OF TRAFFİC LİGHT CONTROL SYSTEMS
Traffic light control systems are commonly utilized to monitor and manage the flow of autos across multiple road intersections. Since traffic jams are ubiquitous in daily life, A c...
Traffic safety outcomes of traffic law application and the adoption of new technology in traffic control
Traffic safety outcomes of traffic law application and the adoption of new technology in traffic control
Experience of the State of Qatar
Introduction:
Since the second half of the last decade of the twentieth century, Qatar has witnessed the
implementation of a comprehensive developm...
Air convection in coarse blocky permafrost : a numerical modelling approach to improve the understanding of the ground thermal regime
Air convection in coarse blocky permafrost : a numerical modelling approach to improve the understanding of the ground thermal regime
Permafrost is a thermal phenomenon, defined as subsurface material with a temperature remaining below 0°C for at least two consecutive years. Permafrost occurs at high latitudes an...
Network Traffic Prediction Based on Boosting Learning
Network Traffic Prediction Based on Boosting Learning
Classification of network traffic is an important topic for network management, traffic routing, safe traffic discrimination, and better service delivery. Traffic examination is th...

