Bibliographie & annexes
Présentation
English
RÉSUMÉ
Cet article est une introduction concise aux notions fondamentales de l'apprentissage artificiel supervisé. Il présente également deux applications concrètes dans le domaine de la gestion du trafic aérien. La première consiste à apprendre un modèle de la charge de travail du contrôleur aérien ("aiguilleur du ciel"), à partir d'enregistrements de trajectoires d'avions et d'archives d'ouverture de secteurs de contrôle. La deuxième application s'intéresse à l'apprentissage de modèles de prévision de l'altitude de l'avion en montée.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
David GIANAZZA : Enseignant-chercheur, habilité à diriger des recherches - École Nationale de l’Aviation Civile, Toulouse, France
INTRODUCTION
Domaine : apprentissage artificiel et gestion du trafic aérien
Degré de diffusion de la technologie : croissance
Contact : [email protected]
L’apprentissage artificiel est un domaine scientifique en plein essor. Avec l’émergence de données massives (big data), il est devenu un outil indispensable pour pouvoir extraire de ces données des informations utiles ou des modèles de prévision, dans de nombreux domaines d’application.
Le domaine de l’apprentissage peut parfois paraître aux yeux du néophyte comme une véritable jungle, obscure et peu accessible. Le présent article ne prétend en aucun cas l’explorer exhaustivement, ni même superficiellement. L’objectif est de fournir au lecteur un point d’entrée et quelques outils (une machette, pour continuer notre analogie), pour pouvoir ensuite explorer par lui-même ce domaine, par des lectures spécialisées. Parmi les ouvrages de référence, citons les livres de T. Hastie et al. , celui de C. Bishop , et en français l’ouvrage de A. Cornuejols et L. Miclet .
Cette introduction à l’apprentissage artificiel est illustrée par deux applications à des problèmes de gestion du trafic aérien.
Dans la première, le modèle de prévision de la charge de travail des contrôleurs aériens (« aiguilleurs du ciel ») présenté est un réseau de neurones, appris à partir d’enregistrements de trajectoires d’avions et d’archives d’ouvertures de secteurs de contrôle. Une fois appris, ce modèle est combiné à une méthode de recherche arborescente pour prévoir les configurations optimales d’ouvertures de secteurs de contrôle aérien.
Dans la seconde application, l’apprentissage artificiel peut être utilisé soit pour prévoir directement l’altitude d’un avion en montée, soit pour estimer certains paramètres du modèle physique de l’avion, non disponibles dans les prédicteurs au sol, afin d’améliorer cette prévision d’altitude. Les éléments présentés dans cet article sont détaillés de façon plus approfondie dans .
L'expertise technique et scientifique de référence
MOTS-CLÉS
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Apprentissage artificiel et application en gestion du trafic aérien > Conclusion
Accueil > Ressources documentaires > Ingénierie des transports > Systèmes aéronautiques et spatiaux > Aéronef en vol et transport aérien > Apprentissage artificiel et application en gestion du trafic aérien > Conclusion
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Apprentissage artificiel et application en gestion du trafic aérien > Conclusion
Accueil > Ressources documentaires > Innovation > Innovations technologiques > Innovations en électronique et TIC > Apprentissage artificiel et application en gestion du trafic aérien > Conclusion
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Apprentissage artificiel et application en gestion du trafic aérien > Conclusion
Cet article fait partie de l’offre
Smart city - Ville intelligente et durable
(91 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Glossaire
English
4. Conclusion
Nous avons vu dans cet article deux exemples d’application de méthodes d’apprentissage. Le premier était un problème de classification, concernant la prevision de la charge de travail des contrôleurs aériens, avec trois catégories : faible, normale, ou excessive. Le deuxième était un problème de régression, où l’on cherchait à prévoir l’altitude future d’un avion, ou certains paramètres manquants du modèle physique permettant de calculer cette altitude. Dans les deux cas, nous avons pu constater l’intérêt pratique des méthodes d’apprentissage, en termes d’amélioration de la qualité des modèles prédictifs.
Dans ces applications comme dans d’autres, il est bénéfique (voire conseillé) de s’appuyer sur des considérations théoriques pour faire des choix judicieux de modélisation. Par exemple, le choix de minimiser une entropie croisée et d’utiliser une fonction softmax dans la couche cachée de notre réseau de neurones du paragraphe 2 découle directement de telles considérations théoriques. L’espoir de l’auteur est que cet article aura permis au lecteur d’appréhender quelques-uns des concepts de l’apprentissage, pour lui permettre par la suite de les appliquer en connaissance de cause.
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Smart city - Ville intelligente et durable
(91 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Conclusion
BIBLIOGRAPHIE
-
(1) - JAMES (G.), WITTEN (D.), HASTIE (T.), TIBSHIRANI (R.) - An introduction to statistical learning, - volume 6. Springer (2013).
-
(2) - HASTIE (T.), TIBSHIRANI (R.), FRIEDMAN (J.H.) - The Elements of Statistical Learning. - Springer Series in Statistics. Springer New York Inc., New York, NY, USA (2001).
-
(3) - BISHOP (C.M.) et al - Pattern recognition and machine learning, - volume 4. springer New York (2006).
-
(4) - CORNUÉJOLS (A.), MICLET (L.) - Apprentissage artificiel : concepts et algorithmes. - Éditions Eyrolles (2011).
-
(5) - GIANAZZA (D.) - Méthodes d’optimisation et d’apprentissage appliquées à des problèmes de trafic aérien. - PhD thesis, Institut National Polytechnique de Toulouse. Thèse d’habilitation (2016).
-
(6)...
ANNEXES
USA/Europe ATM R&D seminar
http://www.atmseminarus.org/
International Conference on Research in Air Transportation
http://icrat.org/icrat/
HAUT DE PAGE
IEEE Transactions on Intelligent Transportation Systems
Transportation Research
https://www.journals.elsevier.com
MOOC Statistical Learning (Stanford on-line)
MOOC Machine Learning (Stanford University – Coursera)https://fr.coursera.org
MOOC Machine Learning (Georgia Tech – Udacity)
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Smart city - Ville intelligente et durable
(91 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
