Derın öğrenme yöntemı ıle uçak yörüngesı tahmını

Küresel hava trafiğinin artmasıyla birlikte, uçuş yörüngelerinin doğru şekilde tahmin edilmesi, özellikle yoğun terminal hava sahalarında emniyetin sağlanması ve operasyonel verimliliğin artırılması açısından giderek daha önemli hâle gelmiştir. Bu tez çalışması, İstanbul Terminal Kontrol Sahası içerisinde varış yapan uçakların yörüngelerini tahmin etmek amacıyla, veri odaklı ve sinir ağı tabanlı bir modelleme yaklaşımı sunmaktadır. Model, bu karmaşık hava sahasının zamansal ve mekânsal dinamiklerine odaklanmaktadır. Modelin eğitimi için, 2023 yılına ait Automatic Dependent Surveillance–Broadcast verileri kullanılmıştır. Bu veri seti; konum, irtifa ve hız gibi uçuş parametrelerini içermektedir. Veriler gürültü giderme, eksik değerlerin enterpolasyonu, zaman dilimlerine ayrılması ve çağrı işaretine göre gruplanması gibi adımları içeren kapsamlı bir ön işleme sürecinden geçirilmiştir. Her örnek JSONL formatında yapılandırılmış; giriş vektörleri, hem uçağa özgü öznitelikleri hem de çevredeki diğer uçaklara ait slot tabanlı bilgileri içermektedir. Bu yapı, modelin yerel trafik yoğunluğunu ve yakın hava araçlarıyla etkileşimleri dikkate almasını sağlamaktadır. Modelleme için Çok Katmanlı Algılayıcı mimarisi tercih edilmiştir. Model, eğitim verilerinden tamamen bağımsız bir senaryo olan 23 Haziran 2024 tarihinde, İstanbul Havalimanı'nda yılın en yoğun gününde (1612 uçuş) test edilmiştir. Bu senaryoda Terminal Kontrol Sahası içinde bulunan altı uçağın yörüngeleri tahmin edilmiştir. Modelin performansı, Dynamic Time Warping ve Ortalama Mutlak Yüzde Hata metrikleriyle değerlendirilmiştir. Ortalama adım başına yatay sapma 2.34 deniz mili, dikey sapma ise 369 feet olarak bulunmuştur. Bu sonuçlar, modelin yüksek yoğunluk koşullarında, çevredeki hava araçlarını da göz önünde bulundurarak, makul doğrulukta tahminler üretebildiğini göstermektedir.