Predicción de la velocidad del viento mediante un modelo GradientBoostingTree de machine learning aplicable en la gestión del tránsito aéreo
dc.contributor.advisor | González Veloza, José John Fredy | |
dc.contributor.author | Reyes González, Alexander | |
dc.creator.email | areyesg@libertadores.edu.co | spa |
dc.date.accessioned | 2022-11-04T22:38:50Z | |
dc.date.available | 2022-11-04T22:38:50Z | |
dc.date.created | 2021 | |
dc.description | Mediante el presente estudio se identificó al Gradient Boosting Tree (árbol de potenciación de gradiente) como el mejor modelo estadístico dentro de un grupo de diez, cuyo diseño estuvo orientado a la predicción de la intensidad del viento a diferentes alturas con aplicación en la gestión del tránsito aéreo y particularmente en las actividades de diseño de rutas y procedimientos de vuelo propias de la organización y gestión del espacio aéreo. Se analizaron datos de radiosonda registrados entre los años 2015 y 2020, obteniendo un valor de error cuadrático medio de 13,6 nudos para la totalidad de datos correspondientes a las alturas entre 2.546 m (8.353 ft) y 36.978 m (106.442 ft). Al aplicar el modelo a los datos con límite de altura de 15.240 m, el error cuadrático medio se redujo a 8,78 nudos; no obstante, los resultados de las predicciones mostraron una tendencia común hacia un valor aproximado de 15 nudos, con lo cual se determinó que no son útiles en la práctica frente a la existencia de valores de viento superiores. La solución a este inconveniente se encontró en la generación de una nueva base de datos a partir de registros únicos de altura y la asignación de valores críticos (máximos y mínimos) extraídos de cada variable predictora. Una vez sometidos los datos al modelo, se obtuvo un RMSE de 9,24 nudos. Finalmente, el modelo permitió la predicción de valores de viento para altitudes entre 8.400 ft y 30.000 ft, con un intervalo de 100 ft y un total de 217 registros. Se observó que el modelo resulta de gran utilidad en la determinación de la probabilidad de ocurrencia de los datos predichos, facilitando de esta manera la determinación de un parámetro técnico exigido para considerar que el valor de velocidad del viento es utilizable con fines de diseño de procedimientos de vuelo; esto es, una probabilidad de 2σ (95 %) correspondiendo a un valor de 43,05 nudos. | spa |
dc.description.abstract | Through this study, the Gradient Boosting Tree was identified as the best statistical model within a group of ten, which design was aimed at predicting wind intensity at different heights, for application in air traffic management, and particularly in the design of routes and flight procedures as activities related to airspace organization and management. Rawinsonde data recorded between 2015 and 2020 were analyzed, obtaining a mean square error value of 13.6 knots for all data corresponding to heights between 2,546 m (8,353 ft) and 36,978 m (106,442 ft). When applying the model to the data with a height limit of 15,240 m, the root mean square error was reduced to 8.78 knots; however, the results of the predictions showed a common tendency towards an approximate value of 15 knots, with which it was determined that they are not useful in practice in the presence of higher wind values. The solution to this problem was found in the generation of a new database from unique height records and the assignment of critical values (maximum and minimum) extracted from each predictor variable. Once the data were processed by the model, an RMSE of 9.24 knots was obtained. Finally, the model allowed the prediction of wind values for altitudes between 8,400 ft and 30,000 ft, with an interval of 100 ft and a total of 217 records. It was observed that the model is very useful in determining the probability of occurrence of the predicted data, thus facilitating the determination of a technical parameter required to consider that the value of wind speed is usable for flight procedures design purposes; that is, a probability of 2σ (95%) corresponding to a value of 43.05 knots. | spa |
dc.format | spa | |
dc.identifier.uri | http://hdl.handle.net/11371/5352 | |
dc.language.iso | spa | spa |
dc.publisher | Fundación Universitaria Los Libertadores. Sede Bogotá. | spa |
dc.rights.acceso | Abierto (Texto Completo) | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.lemb | Machine learning | spa |
dc.subject.lemb | Tráfico aéreo - Reglamentación | spa |
dc.subject.lemb | Estadística matemática | spa |
dc.subject.lemb | Aeronavegación | spa |
dc.subject.proposal | Radiosonda | spa |
dc.subject.proposal | Viento | spa |
dc.subject.proposal | Machine Learning | spa |
dc.subject.proposal | Probabilidad | spa |
dc.subject.subjectenglish | Rawinsonde | spa |
dc.subject.subjectenglish | Wind | spa |
dc.subject.subjectenglish | Machine learning | spa |
dc.subject.subjectenglish | Likelihood | spa |
dc.title | Predicción de la velocidad del viento mediante un modelo GradientBoostingTree de machine learning aplicable en la gestión del tránsito aéreo | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Reyes_Alexander_2021.pdf
- Tamaño:
- 1.45 MB
- Formato:
- Adobe Portable Document Format
- Descripción: