{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1725923"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1725923","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Collaborative Reinforcement Learning for Resolving Hotspots in the Air Traffic Management Domain","abstract":"Σκοπός της παρούσας εργασίας είναι να προτείνει και να διερευνήσει τη χρήση μεθόδων συνεργατικής ενισχυτικής μάθησης για την επίλυση ανισορροπιών ζήτησης-χωρητικότητας κατά τη διάρκεια της προ-τακτικής φάσης της διαχείρισης εναέριας κυκλοφορίας. Με τον τρόπο αυτό, ξεκινά επίσης τη μελέτη τεχνικών που βασίζονται σε δεδομένα για την πρόβλεψη πολλαπλών συσχετισμένων τροχιών αεροσκαφών και, ως εκ τούτου, ανταποκρίνεται σε μια ανάγκη που προκύπτει στη σύγχρονη έρευνα και πρακτική στη διαχείριση της εναέριας κυκλοφορίας. Οι προσομοιώσεις μας, που έχουν σχεδιαστεί βάσει πραγματικών δεδομένων, επιβεβαιώνουν την αποτελεσματικότητα των μεθόδων μας στην επίλυση του προβλήματος, ακόμη και στα πιο δύσκολα σενάρια. Η αποτελεσματικότητα αυτή επιβεβαιώνεται περαιτέρω από τη δοκιμή σεναρίου πραγματικού κόσμου που παρέχεται από την CRIDA, το ισπανικό κέντρο αναφοράς για την έρευνα, την ανάπτυξη και την καινοτομία στη διαχείριση της εναέριας κυκλοφορίας.","abstract_html":"Σκοπός της παρούσας εργασίας είναι να προτείνει και να διερευνήσει τη χρήση μεθόδων συνεργατικής ενισχυτικής μάθησης για την επίλυση ανισορροπιών ζήτησης-χωρητικότητας κατά τη διάρκεια της προ-τακτικής φάσης της διαχείρισης εναέριας κυκλοφορίας. Με τον τρόπο αυτό, ξεκινά επίσης τη μελέτη τεχνικών που βασίζονται σε δεδομένα για την πρόβλεψη πολλαπλών συσχετισμένων τροχιών αεροσκαφών και, ως εκ τούτου, ανταποκρίνεται σε μια ανάγκη που προκύπτει στη σύγχρονη έρευνα και πρακτική στη διαχείριση της εναέριας κυκλοφορίας. Οι προσομοιώσεις μας, που έχουν σχεδιαστεί βάσει πραγματικών δεδομένων, επιβεβαιώνουν την αποτελεσματικότητα των μεθόδων μας στην επίλυση του προβλήματος, ακόμη και στα πιο δύσκολα σενάρια. Η αποτελεσματικότητα αυτή επιβεβαιώνεται περαιτέρω από τη δοκιμή σεναρίου πραγματικού κόσμου που παρέχεται από την CRIDA, το ισπανικό κέντρο αναφοράς για την έρευνα, την ανάπτυξη και την καινοτομία στη διαχείριση της εναέριας κυκλοφορίας.","abstract_has_math":false,"creators":["Κράβαρης Θεοχάρης","Kravaris Theocharis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017","date_published":"2017","updated_at":"2026-11-19T05:29:29Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1725923"],"render_values":[{"text":"uoadl:1725923","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1725923","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1725923","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1725923","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κράβαρης Θεοχάρης","Kravaris Theocharis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2017"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1725923","https://pergamos.lib.uoa.gr/uoa/dl/object/1725923"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της παρούσας εργασίας είναι να προτείνει και να διερευνήσει τη χρήση μεθόδων συνεργατικής ενισχυτικής μάθησης για την επίλυση ανισορροπιών ζήτησης-χωρητικότητας κατά τη διάρκεια της προ-τακτικής φάσης της διαχείρισης εναέριας κυκλοφορίας. Με τον τρόπο αυτό, ξεκινά επίσης τη μελέτη τεχνικών που βασίζονται σε δεδομένα για την πρόβλεψη πολλαπλών συσχετισμένων τροχιών αεροσκαφών και, ως εκ τούτου, ανταποκρίνεται σε μια ανάγκη που προκύπτει στη σύγχρονη έρευνα και πρακτική στη διαχείριση της εναέριας κυκλοφορίας. Οι προσομοιώσεις μας, που έχουν σχεδιαστεί βάσει πραγματικών δεδομένων, επιβεβαιώνουν την αποτελεσματικότητα των μεθόδων μας στην επίλυση του προβλήματος, ακόμη και στα πιο δύσκολα σενάρια. Η αποτελεσματικότητα αυτή επιβεβαιώνεται περαιτέρω από τη δοκιμή σεναρίου πραγματικού κόσμου που παρέχεται από την CRIDA, το ισπανικό κέντρο αναφοράς για την έρευνα, την ανάπτυξη και την καινοτομία στη διαχείριση της εναέριας κυκλοφορίας.","The objective of this thesis is to propose and investigate the use of collaborative reinforcement learning methods for resolving demand-capacity imbalances during pre-tactical Air Traffic Management. By so doing, it also initiates the study of data-driven techniques for predicting multiple correlated aircraft trajectories; and, as such, respond to a need identified in contemporary research and practice in air-traffic management. Our simulations, designed based on real-world data, confirm the effectiveness of our methods in resolving the demand-capacity problem, even in the hardest of scenarios. This effectiveness is confirmed further by testing a real world scenario provided by CRIDA, the Spanish Reference Center for Research, Development, and Innovation in Air Traffic Management."]},{"key":"dc:title","label":"Title","values":["Collaborative Reinforcement Learning for Resolving Hotspots in the Air Traffic Management Domain"]}]}],"canonical_facts":{"dc:creator":["Κράβαρης Θεοχάρης","Kravaris Theocharis"],"dc:date":["2017"],"dc:description":["Σκοπός της παρούσας εργασίας είναι να προτείνει και να διερευνήσει τη χρήση μεθόδων συνεργατικής ενισχυτικής μάθησης για την επίλυση ανισορροπιών ζήτησης-χωρητικότητας κατά τη διάρκεια της προ-τακτικής φάσης της διαχείρισης εναέριας κυκλοφορίας. Με τον τρόπο αυτό, ξεκινά επίσης τη μελέτη τεχνικών που βασίζονται σε δεδομένα για την πρόβλεψη πολλαπλών συσχετισμένων τροχιών αεροσκαφών και, ως εκ τούτου, ανταποκρίνεται σε μια ανάγκη που προκύπτει στη σύγχρονη έρευνα και πρακτική στη διαχείριση της εναέριας κυκλοφορίας. Οι προσομοιώσεις μας, που έχουν σχεδιαστεί βάσει πραγματικών δεδομένων, επιβεβαιώνουν την αποτελεσματικότητα των μεθόδων μας στην επίλυση του προβλήματος, ακόμη και στα πιο δύσκολα σενάρια. Η αποτελεσματικότητα αυτή επιβεβαιώνεται περαιτέρω από τη δοκιμή σεναρίου πραγματικού κόσμου που παρέχεται από την CRIDA, το ισπανικό κέντρο αναφοράς για την έρευνα, την ανάπτυξη και την καινοτομία στη διαχείριση της εναέριας κυκλοφορίας.","The objective of this thesis is to propose and investigate the use of collaborative reinforcement learning methods for resolving demand-capacity imbalances during pre-tactical Air Traffic Management. By so doing, it also initiates the study of data-driven techniques for predicting multiple correlated aircraft trajectories; and, as such, respond to a need identified in contemporary research and practice in air-traffic management. Our simulations, designed based on real-world data, confirm the effectiveness of our methods in resolving the demand-capacity problem, even in the hardest of scenarios. This effectiveness is confirmed further by testing a real world scenario provided by CRIDA, the Spanish Reference Center for Research, Development, and Innovation in Air Traffic Management."],"dc:identifier":["uoadl:1725923","https://pergamos.lib.uoa.gr/uoa/dl/object/1725923"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Collaborative Reinforcement Learning for Resolving Hotspots in the Air Traffic Management Domain"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:29:29Z"}