Apprentissage artificiel et application en gestion du trafic aérien

1 - Apprentissage artificiel

• 1.1 - Qu’est-ce que l’apprentissage artificiel ?
• 1.2 - Apprentissage supervisé
• 1.3 - Vocabulaire de l’apprentissage artificiel
• 1.4 - Approche directe ou inférence statistique
  Figure 1 - Approche directe sur un exemple de régression simple Figure 2 - Densité conditionnelle sur un exemple de régression simple Figure 3 - Inférence statistique sur un exemple de régression simple
• 1.5 - Illustration sur un problème de classification
  Figure 4 - Répartition de dosages d’antigènes dans le sang sur un ensemble d’individus sains ou malades Figure 5 - Probabilité d’erreur en choisissant un seuil … Figure 6 - Choix d’un seuil optimal, en minimisant la probabilité d’erreur en considérant les densités jointes Figure 7 - Choix d’un seuil optimal, en minimisant la probabilité d’erreur
• 1.6 - Fonction de perte et minimisation du risque
  Figure 8 - Matrice de perte exprimant les pondérations des différents risques encourus
• 1.7 - Apprentissage à partir d’un nombre fini d’exemples, surapprentissage
  Figure 9 - Exemple de sur-apprentissage, avec un réseau de neurones à une couche cachée de 20 unités Figure 10 - Quelques exemples de plusieurs fonctions passant par tous les points de l’ensemble d’apprentissage
• 1.8 - Compromis biais-variance, sélection de modèle
• 1.9 - Fléau de la dimension : réduction de la dimensionalité
• 1.10 - Quel principe d’inférence choisir ?

2 - Application à la prévision des regroupements de secteurs aériens

• 2.1 - Description du problème
• 2.2 - Prévision de la charge de travail du contrôleur
  Figure 11 - Affectation des secteurs d’espace aux postes de travail Figure 12 - Exemple d’encodage des états des secteurs de contrôle pour la partition de la figure 11 Figure 13 - Exemple de réseau de neurones à une couche cachée Tableau 1 Tableau 2
• 2.3 - Recherche de partitions optimales de l’espace aérien
  Figure 14 - Recherche d’une partition optimale par un algorithme de recherche arborescente Figure 15 - Survol et affichage d’informations textuelles sur les configurations de secteurs Figure 16 - Zoom sur une configuration de secteurs Figure 17 - Évolution du nombre de postes de travail pour le centre de contrôle de Reims (journée du 2 juin 2003)

3 - Application à la prévision de l’altitude de l’avion en montée

• 3.1 - Modèle à énergie totale
• 3.2 - Problématique de la prédiction par les systèmes au sol
  Figure 18 - Prédiction avec le modèle BADA
• 3.3 - Principe de l’apprentissage appliqué à la prévision de l’altitude en montée
• 3.4 - Apprentissage des paramètres physiques du modèle
  Figure 19 - Apprentissage des paramètres du modèle physique
• 3.5 - Apprentissage direct de l’altitude en montée
  Figure 20 - Apprentissage direct des trajectoires
• 3.6 - Résultats
  Figure 21 - Résultats comparatifs, pour les données Mode-S, sur la RMSE (root mean square error) de l’altitude prévue à 10 min Figure 22 - Prévision de l’altitude future pour plusieurs types d’avion

4 - Conclusion

5 - Glossaire