Cette thèse a pour but de modéliser et d'optimiser deux composantes du système de gestion de flux de trafic aérien : la prédictibilité et la flexibilité. Cette modélisation est équivalente à établir une relation entre la fenêtre temporelle et les taux d'arrivée des avions. Deux approches sont utilisées : l'analyse des données historiques et la modélisation mathématique. L'analyse des données historique a permis de déterminer la fenêtre temporelle raisonnable mais sans pouvoir apporter les améliorations nécessaires pour y arriver. La modélisation mathématique permet non seulement de définir de façon rigoureuse la prédictibilité et la flexibilité mais également de traiter des vols en différents scénarios de priorités. La combinaison de DC algorithme avec des méthodes de résolutions classiques comme Branch and Bound a nettement amélioré la vitesse de la convergence des solutions et donc elle peut être utilisée pour la phase tactique de gestion de flux du trafic aérien. / This thesis aims to model and optimise two components of the air traffic flow management system : predictibility and flexibility. This modelling is equivalent to establishing a relationship between the time window and the rate of arrival flights. Two approachs are used : the analysis of historical data and mathematical modeling. The analysis of historical data was used to establish the relationship between the time window and arrivla rate of flights. It provided the optimal time window but could not show how to modify the system to lead to that time window. Mathematical modeling can not only define the predictability and flexibility in the rigourous manner but also deal with different scenarios of fligths priorities. The combination of DC algorithm with classical methods like Branch and Bound has significantly improved the speed of convergence of solutions and therefore it can be used for the tactical phase of the air traffic flow management.

The Federal Aviation Administration (FAA) has been modernizing the United States' air transportation system within a series of initiatives called the Next Generation Air Transportation System (NextGen). The goal of NextGen is to increase the safety, efficiency, capacity, predictability, and resiliency of American Air Traffic Control (ATC) by implementing satellite-based communication, and navigation systems. Because of the vast oceanic areas controlled by Oakland, New York, and Anchorage air traffic control centers, improving oceanic operations is significant for the United States. According to the FAA, oceanic flights generate 31% of passenger revenue and 40% of cargo revenue in U.S.-controlled airspace. New NextGen procedures offer the opportunity for aircraft to save fuel consumption by allowing oceanic flights to fly at more efficient routes and flight levels. This dissertation investigates three areas to improve flight operations over oceanic airspace. The first area studies the operational benefits of providing satellite-based meteorological information to aircraft operating in remote and oceanic airspace. This research effort uses two approaches as follows: 1) statistical flight analysis, and 2) simulation-based analysis. The second area provides an optimization technique to improve the current procedures for assigning flights to the Organized Track System (OTS) in the Atlantic Ocean based on the Collaborative Decision Making (CDM) concept. The third area investigates the potential savings of "In-Trail Procedure" (ITP) as one of the advanced surveillance operations in the Pacific and Atlantic oceanic airspace. To quantify the operational benefits of the proposed procedures, a fast-time simulation tool, the Global Oceanic (GO) model, is developed and employed. The GO model is a microscopic flight simulation tool that has been developing by the Air Transportation Systems Laboratory at Virginia Tech offering realistic and inexpensive evaluations of novel technologies and procedures to improve flight operations over global oceanic airspace. the results of these studies are analyzed in terms of fuel consumption, travel distance, travel time, level of service, and potential air traffic controllers' workload. / Doctor of Philosophy / The economic growth and social connectivity of nations are highly correlated to effective and efficient air transportation systems. The Federal Aviation Administration (FAA) has initiated a program to modernize America's air transportation system and make flight operations safer, and more efficient. This program is called the Next Generation Air Transportation System (NextGen) and its goal is transforming the communication and navigation technologies to satellite-based systems. Improving oceanic flights is one of the main concerns of the NextGen program since the United States controls massive oceanic areas in the Atlantic and the Pacific Ocean. The FAA needs to evaluate the benefits and costs of advanced technologies and procedures to justify the NextGen initiatives. The FAA has employed computer simulation tools to support decisions for future infrastructure investments and encourage airlines to equip their aircraft with more advanced avionics. The Global Oceanic (GO) model is a microscopic flight simulation tool developed jointly by the Air Transportation Systems Laboratory at Virginia Tech and the FAA providing quick, realistic, and inexpensive evaluations of advanced procedures to improve flight operations over oceans. This dissertation investigates the operational benefit of three advanced procedures using the GO model. The areas to improve flight operations over oceanic airspace are as follows: 1) operational benefits of providing satellite-based meteorological information to aircraft operating in remote and oceanic airspace, 2) operational benefits of an optimization technique for flight assignments to the Organized Track System (OTS) in the Atlantic Ocean, 3) operational benefits of "In-Trail Procedure" (ITP) as one of the advanced surveillance operations in the Pacific and Atlantic oceanic airspace. These studies quantify the potential savings of these procedures in terms of reducing fuel consumption, travel distance, travel time, greenhouse gas emissions, and potential air traffic controllers' workload.

Der Luftverkehr stellt ein komplexes Gesamtsystem dar, in welchem eine Prozessoptimierung aufgrund zahlreicher und verschiedenartiger Arbeitsabläufe verschiedener Unternehmen nur durch eine übergeordnete Leistungsbewertung möglich ist. Hierfür wurde im Bereich des leistungsbasierten Flughafenmanagements - sowohl auf wissenschaftlicher, als auch industrieller Ebene - bereits eine hohe Zahl individueller Lösungsansätze entwickelt, die jedoch aufgrund ihrer unterschiedlichen Struktur schwer zu vergleichende Ergebnisse hervorbringen. Des Weiteren werden Wechselbeziehungen zwischen ausschließlich eindimensional betrachteten Leistungsindikatoren, welche die verschiedenen Prozessschritte einzeln abbilden, außer Acht gelassen - die Dynamik des Systems spiegelt sich auf diese Art nicht auf Datenebene wider. Abhängigkeiten beeinflussen jedoch maßgeblich das Bewertungsergebnis und sind damit bei der Implementierung von Optimierungsstrategien innerhalb heutiger Konzepte essentiell. Der Kern dieser Dissertation umfasst die erweiterte datenbasierte Betrachtung des Luftverkehrssystems innerhalb des leistungsbasierten Ansatzes und einer damit einhergehenden Entkopplung von Modellierungsansätzen. Dies bedeutet, dass das betrachtete Luftverkehrssystem nur durch Leistungskennwerte beschrieben werden soll (z. B. Verspätungen, meteorologische Messungen). Der Einsatz künstlicher neuronaler Netze erhöht die Möglichkeiten zur Abbildung und Erfassung nicht-linearer und abhängiger Wert-diskreter Zeitreihen, welche im ständigen Vergleichsprozess wesentlich für die Strategiebildung sind. Die Datenquellen beziehen sich einerseits auf mikroskopische Analysen im Bereich des Boardings und damit verbundenen wissenschaftlichen Ausarbeitungen, andererseits auf die Beispielflughäfen Flughafen Hamburg (HAM) und Gatwick Airport (LGW) der Jahre 2012 - 2015 im makroskopischen Fokus. Die Implementierung des Wetters erfolgt über aggregierte meteorologische Kennzahlen, welche auf realen Wettermeldungen des entsprechenden Zeitraums beruhen. Von der Wahl und Definition eines Systems (Boarding, HAM und LGW) ausgehend, erfolgt eine geeignete Datenaggregation, welche Daten zur anschließenden Wissensgenerierung bereitstellt und damit Optimierungsansätze ermöglicht. Im Sinne des wachsenden Interesses der Forschung im Bereich des leistungsbasierten Luftverkehrsmanagements und der heutigen Wichtigkeit von Entscheidungsunterstützungssystemen bei der Strategieentwicklung, fokussiert sich diese Arbeit damit auf die Durchführung multivariater nicht-linearer Zeitreihenanalyse und -vorhersage mit neuronalen Netzen. Die damit einhergehende Nachvollziehbarkeit solcher Datenreihen liefert Möglichkeiten zur Systemidentifikation (datenbasiertes Erlernen der Systemdynamik). Das identifizierte Systemabbild des Luftverkehrs kann folglich für Simulation bekannter Eingabegrößen, als auch für die optimierte Kontrolle des Systems herangezogen werden und umfasst damit wesentliches Erweiterungspotential für heutige Management-Konzepte, um Entwicklungen hin zu einem kooperativen Betrieb zu unterstützen. Ableitend aus der Differenzierung in mehrere gekoppelte Bearbeitungsschritte innerhalb dieser Arbeit, erfolgt eine Fokussierung auf drei Kernfragen: a) Ist eine auf Leistungskennwerten des Luftverkehrs basierende Systemidentifikation mit derzeitigen Paradigmen neuronaler Netze möglich? b) Welche Einschränkungen sind gemäß des unterschiedlichen Charakters der Datensätze zu beachten und wie kann diesen durch eine, das Training der neuronalen Netze vorbereitenden, Datenstrukturanalyse und -Anpassung entgegengewirkt werden? c) Ist auf Basis der trainierten Netze eine erweiterte Optimierung und Vorhersage innerhalb vorhandener Strukturen des leistungsbasierten Luftverkehrsmanagements möglich?:I Grundlagen 1 Leistungsbasiertes Luftverkehrsmanagement 1.1 Allgemeine Definitionen & Begrifflichkeiten 1.2 Leistungsbewertungsrahmenwerke des Luftverkehrs 1.2.1 Interdependenzen von Leistungsindikatoren 1.2.2 Einflussfaktoren auf die Leistungsfähigkeit von Verkehrsflughäfen 1.2.3 Flugmeteorologische Datenaggregation 1.3 Grundkonzepte leistungsbasierten Luftverkehrsmanagements 1.3.1 Airport Collaborative Decision Making (A-CDM) 1.3.2 Total Airport Management (TAM) 1.3.3 Performance Based Airport Management (PBAM) 2 Künstliche neuronale Netze 2.1 Grundverfahren der Computational Intelligence 2.2 Biologische neuronale Netze 2.3 Topologie & Bestandteile künstlicher neuronaler Netze 2.4 Lernvorgang & Fehlerevaluierung 2.5 Netzparadigmen 2.5.1 Feedforward Netzwerke 2.5.2 Rekurrente (rückgekoppelte) Netzwerke 2.5.3 Faltende Netzwerke 2.6 Taxonomie der Zeitreihenverarbeitung mit künstlichen neuronalen Netzen 2.6.1 Zeitreihenregression 2.6.2 Zeitreihenklassifikation II Anwendung künstlicher neuronaler Netze im Luftverkehr 3 Methodische Konzeption 3.1 Datenbasierte Erfassung des Luftverkehrssystems 3.1.1 Prinzip des virtuellen Luftverkehrssystems 3.1.2 Systemidentifikation, Kontrolle & Simulation 3.2 Anwendungsgebiet Turnaround Management 3.2.1 Status Quo 3.2.2 Stochastische Boardingsimulation & Aggregationsmetrik 3.3 Anwendungsgebiet Air Traffic Flow Management 3.3.1 Status Quo 3.3.2 Datengrundlage der Flughäfen Hamburg & London Gatwick 4 Systemidentifikation mit künstlichen neuronalen Netzen 4.1 Modularisierung der Systemidentifikation 4.2 Problemidentifikation & Systemauswahl 4.3 Datenstrukturanalyse & -anpassung 4.3.1 Datenvoranalyse 4.3.2 Datenvorverarbeitung & Fehlerbereinigung 4.3.3 Datenanpassung für maschinelles Lernen 4.4 Paradigmenauswahl & Modellinitialisierung 4.5 Modellanwendung & -Überwachung 4.6 Nachgelagerte Analyse & Modellanpassung 5 Simulation & Kontrolle durch künstliche neuronale Netze 5.1 Sequenzprediktion zur Vorhersage bei bekannten Eingabemengen 5.1.1 Fehlerfortschreitung & Prognoseevaluierung 5.1.2 Robustheitsschätzung der Vorhersage 5.2 Nutzung des Modells als adaptive Kontrollstruktur 5.2.1 Extraktion von Zusammenhängen der Eingabegrößen 5.2.2 Metaheuristische Optimierung der Eingabemengen III Anwendung 6 Anwendungsgebiet Boarding als Teil des Turnaround-Prozesses 6.1 Systemidentifikation des Boarding-Subsystems 6.1.1 Datenstrukturanalyse 6.1.2 Experimenteller Aufbau & Modellanwendung 6.2 Simulation & Kontrolle des Boarding-Subsystems 6.2.1 Vorhersage des Boardingvorgangs unter verschiedenen Randbedingungen 6.2.2 Robustheitsprüfung der adaptiven Kontrollstruktur 6.2.3 Ableitung von Handlungsempfehlungen innerhalb des Prozesses 7 Anwendungsgebiet Air Traffic Flow Management 7.1 Systemidentifikation des Flugbetriebs in Hamburg & London Gatwick 7.1.1 Datenstrukturanalyse 7.1.2 Experimenteller Aufbau & Modellanwendung 7.2 Simulation & Kontrolle des Flugbetriebs in Hamburg & London Gatwick 7.2.1 Vorhersage von Verspätungen unter Berücksichtigung des Wetters 7.2.2 Robustheitsprüfung der adaptiven Kontrollstruktur 7.2.3 Eingabeempfehlungen zur Minimierung der Gesamtverspätung 8 Schlussbetrachtungen 8.1 Zusammenfassende Auswertung der Basisszenarien 8.2 Ausblick

Significant research efforts have been devoted to large-scale dynamical systems, with the aim of understanding their complicated behaviors and managing their responses in real-time. One pivotal technological obstacle in this process is the existence of uncertainty. Although many of these large-scale dynamical systems function well in the design stage, they may easily fail when operating in realistic environment, where environmental uncertainties modulate system dynamics and complicate real-time predication and management tasks. This dissertation aims to develop systematic methodologies to evaluate the performance of large-scale dynamical systems under uncertainty, as a step toward real-time decision support. Two uncertainty evaluation approaches are pursued: the analytical approach and the effective simulation approach. The analytical approach abstracts the dynamics of original stochastic systems, and develops tractable analysis (e.g., jump-linear analysis) for the approximated systems. Despite the potential bias introduced in the approximation process, the analytical approach provides rich insights valuable for evaluating and managing the performance of large-scale dynamical systems under uncertainty. When a system’s complexity and scale are beyond tractable analysis, the effective simulation approach becomes very useful. The effective simulation approach aims to use a few smartly selected simulations to quickly evaluate a complex system’s statistical performance. This approach was originally developed to evaluate a single uncertain variable. This dissertation extends the approach to be scalable and effective for evaluating large-scale systems under a large-number of uncertain variables. While a large portion of this dissertation focuses on the development of generic methods and theoretical analysis that are applicable to broad large-scale dynamical systems, many results are illustrated through a representative large-scale system application on strategic air traffic management application, which is concerned with designing robust management plans subject to a wide range of weather possibilities at 2-15 hours look-ahead time.