Evaluation du modèle et limites de l’approche

Pour évaluer la performance de notre modèle, nous souhaitons utiliser un simulateur de trafic aérien capable de rejouer des plans de vols réels. Comme nous l’avons vu, ces données correspondent au parcours des vols et indiquent l’altitude à laquelle le vol effectuera sa croisière (RFL). Les trajectoires réelles des vols sont extrapolées à partir d’un modèle de per-formance. Le module d’optimisation intervient pour détecter et réduire les conflits potentiels avec un pas de temps constant, et les consignes RTA sont ensuite exécutées par le régulateur de vitesse. Nous choisissons d’exécuter notre modèle tout au long d’une journée entière de trafic. Pour évaluer ses performances, nous comparerons la durée totale des conflits alors obtenue,

avec la durée totale des conflits obtenue lorsqu’aucun modèle d’optimisation n’est implémenté sur le même jeu de données. Les simulations sans opti-misation seront appeléessimulations de référence. La performance de notre modèle pourra alors être calculée en mesurant le pourcentage de réduction de la durée totale de conflit entre une simulation optimisée et la simulation de référence associée. Les jeux de données utilisés pour les simulations cor-respondent à une journée de trafic réel sur l’ensemble de l’espace européen. Des instances de différentes tailles peuvent être dérivées de cette journée de trafic en filtrant les vols par leur RFL.

Ce protocole expérimental nous permet d’observer le comportement de notre modèle lorsqu’il est confronté à des jeux de données réelles. Toutefois, il est important de souligner que cette approche ne permet pas de modéli-ser le comportement a posteriori des contrôleurs aériens. En effet, dans le cadre de la réduction des conflits par la régulation de vitesse subliminale, les contrôleurs peuvent intervenir à tout instant et décident en dernier ressort. Un contrôleur pourrait ainsi décider de modifier la trajectoire d’un vol avec des clairances de réaffectation de niveau de vol ou de changement de cap pour résoudre un conflit potentiel qui serait, par exemple, résolu trop tar-divement ou pas intégralement par notre modèle. Pour obtenir un environ-nement de simulation idéal, il faudrait pouvoir modéliser le comportement des contrôleurs pour rendre de compte de l’impact de leurs décisions sur les performances de notre modèle. Cependant, il est extrêmement difficile de parvenir à modéliser un comportement humain en soit et cela s’applique en particulier aux contrôleurs aériens. De plus, dans le cadre de la régulation subliminale du trafic, le contrôleur aérien est le décideur final1. Il n’est donc pas arbitraire de ne pas chercher à modéliser le comportement d’un contrô-leur - et donc les clairances qu’il transmet aux vols - tout en sachant que ce dernier conserve un grand pouvoir de décision.

Dans ce chapitre, nous avons présenté le modèle d’incertitude retenu pour modéliser l’incertitude en prévision de trajectoire et décrit le processus de contrôle utilisé pour prendre en compte cette composante aléatoire dans notre approche. Nous avons également décrit l’environnement de validation choisi pour tester notre modèle. A la fin du chapitre précédent, nous avons - par souci de clarté - précisé le sens du mot “modèle” dans cette thèse

1. Si le contrôleur aérien est le décideur final au sol, c’est le pilote qui l’est en l’air. Toutefois, les pilotes suivent généralement très précisément les clairances données par les contrôleurs, il est donc raisonnable de considérer que le contrôleur est le décideur final.

en explicitant son contenu. A l’issue de chapitre, nous souhaitons élargir ce contenu en y ajoutant les composantes développées dans ce chapitre. Ainsi notre modèle comprend dorénavant :

• un algorithme pour détecter les conflits potentiels (voir 3.1.2),

• un modèle pour réduire les conflits en croisement (le modèle 6),

• un modèle pour réduire les conflits en poursuite (le modèle 8),

• un modèle d’incertitude (voir 4.1.2),

• une boucle à horizon glissant (voir 4.2),

• un module de régulation de vitesse pour appliquer les consignes RTA (voir 4.3.2).

Le chapitre suivant est consacré aux simulations et à l’évaluation de notre modèle à travers de multiples indicateurs de la gestion du trafic aérien.

Chapitre 5

Simulations et résultats

Sommaire

5.1 Simulations . . . . 129 5.1.1 Réglage des paramètres . . . 129 5.1.2 Plan d’expérience . . . 132 5.1.3 Performance du modèle . . . 137 5.2 Indicateurs . . . . 142 5.2.1 Les manoeuvres de réduction des conflits . . . 143 5.2.2 Le retard en-route . . . 146 5.2.3 La consommation de carburant . . . 148 5.2.4 Le nombre de conflits . . . 150 5.2.5 Temps de résolution de l’algorithme d’optimisation 152 5.3 Limites de la régulation de vitesse . . . . 153 5.3.1 Impact de l’incertitude sur le modèle . . . 154 5.3.2 Contrainte sur le nombre de consignes RTA . . . . 157 5.3.3 Sensibilité du modèle . . . 158

Le contexte expérimental pour implémenter notre modèle a été présenté au chapitre 4. L’usage d’un simulateur de trafic aérien capable de rejouer des journées entières de trafic à partir des plans de vols déposés par les com-pagnies aériennes nous permet de tester notre modèle sur des instances de trafic réelles. Dans ce chapitre nous présentons les simulations effectuées et les résultats obtenus. La performance du modèle est mesurée en comparant des simulations optimisées avec des simulations de référence où aucune régu-lation du trafic n’est mise en oeuvre. Pour évaluer les performances de notre modèle, nous mesurons la durée totale des conflits à l’issue des simulations optimisées. Bien que ça ne soit pas notre critère d’optimisation - dans notre

modèle nous avons choisi de minimiser une approximation de la charge de conflit et une approximation de la durée des conflits en poursuite - c’est bien la durée totale des conflits que nous cherchons à minimiser. En plus de cette mesure de performance, nous souhaitons également mesurer l’impact de notre modèle sur les flux aériens au regard de différents indicateurs, tels que le nombre de manoeuvres pour réduire les conflits, le retard global et la consommation de carburant. Dans une première partie 5.1, un plan d’ex-périence est utilisé pour régler la boucle à horizon glissant sur une instance de trafic de petite taille (3,000 vols), afin d’obtenir un paramétrage efficace pour minimiser la durée totale des conflits. Ce paramétrage est ensuite uti-lisé pour évaluer la performance de notre modèle sur une instance de grande taille (17,500 vols). Dans une seconde partie 5.2, les performances de notre modèle sont mesurées à travers plusieurs indicateurs de la gestion du tra-fic aérien. Enfin, dans une dernière partie 5.3, les limites du modèle sont discutées.

5.1 Simulations

Dans cette partie, nous commençons par présenter le plan d’expérience utilisé pour régler les paramètres de la boucle à horizon glissant. Notre modèle est ensuite évalué à travers plusieurs simulations en comparant la durée totale des conflits obtenue avec une mesure de référence.