Las aproximaciones frustradas, o go-arounds, son eventos críticos en aviación que suponen desafíos operativos tanto para los pilotos como para los controladores aéreos. Su carácter impredecible puede generar retrasos, aumentar la carga de trabajo del controlador e impactar negativamente en la eficiencia general del aeropuerto. Este trabajo de fin de máster presenta un enfoque basado en datos para la predicción en tiempo real de go-arounds mediante técnicas de inteligencia artificial, con especial atención a modelos de deep learning aplicados a datos reales de trayectorias de vuelo.
El problema se modela como una tarea de regresión extrínseca de series temporales, donde el sistema estima la probabilidad de una aproximación frustrada en cada punto durante la fase final de descenso. Utilizando datos históricos de aeropuertos españoles como Barcelona-El Prat y Madrid-Barajas, se entrenan y evalúan distintas arquitecturas de deep learning: LSTM, LSTM con atención y transformers. Un conjunto personalizado de características derivadas, incluyendo alineación con la pista, desviación del rumbo, velocidad vertical, energía del avión y datos meteorológicos, mejora significativamente la precisión del modelo.
El mejor rendimiento se obtiene con una arquitectura basada en transformers, alcanzando una precisión superior al 80% hasta dos minutos antes del evento de goaround. Se emplea análisis SHAP para interpretar el comportamiento del modelo y confirmar que sus decisiones se alinean con factores causales conocidos. Además, se desarrolla una interfaz de predicción en tiempo real (LandIA), capaz de monitorizar vuelos activos y asistir a los controladores en un entorno operativo.
Los resultados confirman que la predicción en tiempo real de aproximaciones frustradas es tanto viable como efectiva, especialmente cuando el modelo se adapta a aeropuertos concretos. Este proyecto contribuye a mejorar la seguridad, reducir la carga de trabajo de los controladores y avanzar en la integración de la inteligencia artificial en los sistemas de gestión del tráfico aéreo.
–ABSTRACT–
Go-arounds, or aborted landings, are critical events in aviation that pose operational challenges for both pilots and air traffic controllers. Their unpredictable nature can cause delays, increase controller workload, and impact overall airport efficiency. This master thesis presents a data-driven approach to real-time go-around prediction using artificial intelligence techniques, with a focus on deep learning models applied to real-world flight trajectory data.
The problem is modeled as a time series extrinsic regression task, where the system estimates the probability of a missed approach at each point during final descent. Using historical data from Spanish airports such as Barcelona-El Prat and MadridBarajas, various deep learning architectures, LSTM, LSTM with attention, and transformers, are trained and evaluated. A custom set of engineered features including runway alignment, heading deviation, vertical speed, aircraft energy, and wind data significantly improves prediction accuracy.
The best-performing model, a Transformer-based architecture, achieves an accuracy of over 80% up to two minutes before a go-around event. SHAP analysis is used to interpret model behavior and confirm its decisions align with known causal factors. Additionally, a real-time prediction interface (LandIA) is developed, capable of monitoring active flights and assisting air traffic controllers in operational environments.
The results confirm that real-time go-around prediction is both viable and effective, especially when tailored to specific airports. The project contributes to improving safety, reducing controller workload, and advancing the integration of artificial intelligence into air traffic management systems.
Las aproximaciones frustradas, o go-arounds, son eventos críticos en aviación que suponen desafíos operativos tanto para los pilotos como para los controladores aéreos. Su carácter impredecible puede generar retrasos, aumentar la carga de trabajo del controlador e impactar negativamente en la eficiencia general del aeropuerto. Este trabajo de fin de máster presenta un enfoque basado en datos para la predicción en tiempo real de go-arounds mediante técnicas de inteligencia artificial, con especial atención a modelos de deep learning aplicados a datos reales de trayectorias de vuelo.
El problema se modela como una tarea de regresión extrínseca de series temporales, donde el sistema estima la probabilidad de una aproximación frustrada en cada punto durante la fase final de descenso. Utilizando datos históricos de aeropuertos españoles como Barcelona-El Prat y Madrid-Barajas, se entrenan y evalúan distintas arquitecturas de deep learning: LSTM, LSTM con atención y transformers. Un conjunto personalizado de características derivadas, incluyendo alineación con la pista, desviación del rumbo, velocidad vertical, energía del avión y datos meteorológicos, mejora significativamente la precisión del modelo.
El mejor rendimiento se obtiene con una arquitectura basada en transformers, alcanzando una precisión superior al 80% hasta dos minutos antes del evento de goaround. Se emplea análisis SHAP para interpretar el comportamiento del modelo y confirmar que sus decisiones se alinean con factores causales conocidos. Además, se desarrolla una interfaz de predicción en tiempo real (LandIA), capaz de monitorizar vuelos activos y asistir a los controladores en un entorno operativo.
Los resultados confirman que la predicción en tiempo real de aproximaciones frustradas es tanto viable como efectiva, especialmente cuando el modelo se adapta a aeropuertos concretos. Este proyecto contribuye a mejorar la seguridad, reducir la carga de trabajo de los controladores y avanzar en la integración de la inteligencia artificial en los sistemas de gestión del tráfico aéreo.
–ABSTRACT–
Go-arounds, or aborted landings, are critical events in aviation that pose operational challenges for both pilots and air traffic controllers. Their unpredictable nature can cause delays, increase controller workload, and impact overall airport efficiency. This master thesis presents a data-driven approach to real-time go-around prediction using artificial intelligence techniques, with a focus on deep learning models applied to real-world flight trajectory data.
The problem is modeled as a time series extrinsic regression task, where the system estimates the probability of a missed approach at each point during final descent. Using historical data from Spanish airports such as Barcelona-El Prat and MadridBarajas, various deep learning architectures, LSTM, LSTM with attention, and transformers, are trained and evaluated. A custom set of engineered features including runway alignment, heading deviation, vertical speed, aircraft energy, and wind data significantly improves prediction accuracy.
The best-performing model, a Transformer-based architecture, achieves an accuracy of over 80% up to two minutes before a go-around event. SHAP analysis is used to interpret model behavior and confirm its decisions align with known causal factors. Additionally, a real-time prediction interface (LandIA) is developed, capable of monitoring active flights and assisting air traffic controllers in operational environments.
The results confirm that real-time go-around prediction is both viable and effective, especially when tailored to specific airports. The project contributes to improving safety, reducing controller workload, and advancing the integration of artificial intelligence into air traffic management systems. Read More
Related posts:
Creación de una aplicación móvil capaz de usar y reentrenar modelos de deep learning
Predicción de series temporales financieras con modelos de machine learning
Long short-term memory prediction of user’s locomotion in virtual reality
Comparación de métodos para la predicción de fuga de clientes en el mercado de las telecomunicaciones
Generación de imágenes sintéticas para estimar la orientación del rostro
Predicción avanzada de Sepsis en pacientes hospitalizados: exploración de métodos y modelos en series temporales