Die Vorhersage von Taxizeiten kann den Flughafenbetrieb unterstützen und möglicherweise Verspätungen reduzieren, und den Treibstoffverbrauch sowie den CO2-Ausstoß senken. Einflussfaktoren, beispielsweise die zugeteilte Startbahn und die Verwendung der Enteisungsservices haben einen großen Einfluss auf die Taxizeiten. Die Entscheidungen darüber werden von Fachexperten getroffen, die eine Vielzahl an Informationen und komplexen Zusammenhängen berücksichtigen und dabei auf jahrelanges Training und Erfahrung zurückgreifen. Die komplizierten Wechselwirkungen der zahlreichen Einflussfaktoren machen dies zu einer geeigneten Anwendung von Machine Learning. Während die Vorhersage der Taxizeiten und Startbahnzuteilung bereits auf verschiedenen Flughäfen untersucht wurde, blieb die Vorhersage der Nutzung der Enteisungsservices bisher unerforscht.Diese Diplomarbeit untersucht die Verwendung von Machine Learning um Taxizeiten,Startbahnzuteilung und Nachfrage der Enteisungsservices für ausgehende Flüge am Wiener Flughafen vorherzusagen. Eine umfassende Literaturrecherche wurde durchgeführt,wobei die Faktoren identifiziert wurden, welche bei ähnlichen Aufgaben für eine Vorhersage verwendet werden können. Weiters wurden erfolgreiche Modelltypen und nützliche Bewertungskennzahlen ermittelt. Datensätze wurden sowohl aus firmeneigenenals auch aus öffentlichen Quellen gesammelt und verschiedene Feature-Extraktion und Feature-Engineering Methoden wurden angewandt. Das beinhaltet auch einen neuen Ansatz, Vektor-Embeddings zu trainieren, um kategorische Features speichereffizient zu repräsentieren. Das somit entstandene Datenset wurde statistisch analysiert und visualisiert.Eine Auswahl an Machine Learning Modellen wurde zusammengestellt und am Datenset für die verschiedenen Vorhersageaufgaben trainiert. Um die Modelle zu bewerten, haben wir verschiedene Szenarien definiert. Diese reichen von einer Vorhersage 30 Stunden vor dem Start, über eine Vorhersage direkt vor dem Start, bis zu Bedingungen die verschiedene Studien für einen Vergleich nachahmen. Unsere besten Modelle schneiden bei den relevanten Metriken besser ab als ein Referenzmodell. Im direkten Vergleich mitder Literatur schneiden unsere Modelle besser ab als die besten Modelle von einem Teil der Flughäfen. Schließlich haben wir die wichtigsten Einflussfaktoren für jede der Vorhersageaufgaben identifiziert. Darunter fallen wetterabhängige Faktoren, der Flugzeugtyp,der Zielflughafen, das aktuelle Flugaufkommen, sowie Lärmschutzmaßnahmen.
de
The prediction of taxi-out times can enhance airport operations, potentially reducing delays, fuel burn and carbon emissions. Factors such as runway assignment and deicing service usage greatly influence taxi-out time. The decisions are made by domain experts,who consider an extensive amount of information and its complex interplay, utilizing years of training and experience. The intricate interactions of numerous factors make this an appropriate application for machine learning. While the prediction of taxi-outtime and runway assignment has been studied at various airports with differing results,the prediction of deicing usage remains unexplored.This thesis investigates the use of machine learning in predicting taxi-out time, runway assignment and deicing usage for outgoing flights at Vienna Airport. A comprehensiveliterature review was conducted, identifying the factors with predictive capabilities on similar tasks, successful model types, and useful evaluation metrics. Datasets were collected from both proprietary and publicly available sources. Feature extraction and feature engineering methods were then applied. This includes the novel approach of using vector embeddings to represent categorical features, which permits a memory-efficient encoding of the information. The resulting dataset was analysed using statistical methods and visualizations.A selection of machine learning models was curated and trained on the dataset for the various prediction tasks. To evaluate the models, we defined varied scenarios, from predictions up to 30 hours ahead of time with limited information, to a prediction at the time of block-off to conditions that mimic specific research studies for an appropriate comparison. Our best models, when evaluated on the most relevant metrics, outperformed a baseline model. In comparison to the existing literature, our models surpassed the bestperforming models on a subset of airports. Finally, we identified the most important features for each prediction task, revealing the influence of weather-related factors, aircrafttype, flight destination, the current demand at the airport, and noise abatement measures.
