Echtzeitfähiges, durch Maschinelles Lernen gestütztes integriertes Airline-Steuerungssystem

• Antragsteller: Professor Dr.-Ing. Hartmut Fricke
• Fachliche Zuordnung: Verkehrs- und Transportsysteme, Intelligenter und automatisierter Verkehr
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 517414238

Die Bodenabfertigung (Turnaround, kurz TA) umfasst alle Prozesse, die notwendig sind, um ein am Flughafen ankommendes Flugzeug auf den nächsten Flugabschnitt vorzubereiten. Die Interaktion und teils unzureichende Abstimmung der Prozessbeteiligten sowie die begrenzte Ressourcenverfügbarkeit entwickeln dabei ein Störpotenzial, welches mitsamt reaktionären Netzwerkeffekten in eng getakteten Flugplänen die Hauptursachen von Flugverspätungen bilden. Gleichzeitig bietet der TA das Potenzial, steuernd in den Flugbetrieb einzugreifen und die On-Time Performance zu sichern sowie reaktionäre Verspätungen und verpasste Anschlussbeziehungen zu vermeiden. Entsprechende Steuerungsmaßnahmen basieren auf alternativen Prozessausführungen, veränderten Bearbeitungsprioritäten und einer gezielten Ressourcenzuweisung. Sie werden jedoch durch Disponenten entschieden, die bisher auf Grundlage unvollständigen Informationsaustauschs und fehlender Prognosen agieren. Zudem erfolgt die Wahl dieser Wiederherstellungsmaßnahmen nicht ganzheitlich von Passagier-, LFZ- und Crew Planung, welche in der Literatur bei Berücksichtigung von nur zwei dieser Planungsschritte bereits als „integrierte“ Optimierung bezeichnet werden. Eine zusätzliche TA - Verschaltung unter Engpasssituationen (Ressourcen, Kapazität) am Flughafen und im Luftraum ist hingegen gänzlich neu. Ein Grund hierfür ist in der erheblichen Laufzeit klassischer Lösungsverfahren für diese Konfiguration zu sehen. Diese Hürde soll durch effiziente Verfahren des maschinellen Lernens (ML) basierend auf als ähnlich klassifizierten vorberechneten Störsituationen überwunden werden. Erste Forschungsergebnisse zeigen, dass ML-basierte Ansätze eine Laufzeitverbesserung durch Unterstützung trivialer Heuristiken bieten. Aufbauend auf den bisherig publizierten Forschungsergebnissen zu Entscheidungsmodellen im TA und auf Ebene einzelner Flottenumläufe werden diese in einem MI(N)LP Optimierungsmodell gekoppelt und um netzweite Maßnahmen wie Aircraft Swap oder Delay Management erweitert. Dies ermöglicht die Prädiktion reaktionärer Verspätungen über den verbleibenden Betrachtungshorizont und überführt Transferbeziehungen hinsichtlich Passagiere, LFZ und Crew in lokale Bewertungsfunktionen. Das ML-Verfahren soll dabei eine aktuelle Störung mit auf strategischer Planungsebene vorausberechneten Störungen vergleichen. Hiermit werden problemspezifische, voraussichtlich optimale Maßnahmen als zusätzliche Nebenbedingungen zur Einschränkung des Lösungsraums der klassischen Optimierung fixiert, herkömmliche Solver in der Konvergenz unterstützt. Erklärtes Ziel ist die Identifikation eines überwachten ML-gestützten Lösungsverfahrens zur automatisierten Lösung von Entscheidungssituationen, die für verschiedene LVG Netzwerke zur Abbildung der dynamischen Situationen an Flugplätzen zeitlich rollierend aktiviert werden.

• DFG-Verfahren: Sachbeihilfen