Optimization of passenger flows and resources management through machine learning and constraint programming techniques - Université d'Artois Accéder directement au contenu
Thèse Année : 2023

Optimization of passenger flows and resources management through machine learning and constraint programming techniques

Optimisation des flux passagers et de la gestion de ressources via des techniques d'apprentissage automatique et de programmation par contraintes

Thibault Falque

Résumé

The aviation industry serves as a critical connector in today's globalized world, enabling millions to travel, conduct business, and engage with diverse cultures. Key to this connectivity is the infrastructure provided by airports, with Paris Charles de Gaulle Airport (CDG) epitomizing the complexities inherent in global hubs. Handling millions of passengers and connecting to hundreds of destinations worldwide, CDG ranks as Europe's second busiest airport. Despite its vast scale, there are no imminent plans for new terminals, emphasizing the importance of optimization for efficient passenger and resource management. This urgency is further heightened by the resurgence in air traffic post-COVID-19 disruptions. Addressing the complexities of mega hubs like CDG necessitates innovative solutions. Traditional methods, anchored in older technologies, might struggle to meet present-day challenges, especially given the aviation industry's unpredictability. Two promising approaches emerge in the modern context: constraint programming, adept at managing large-scale problems, and machine learning, renowned for its predictive prowess. This manuscript unfolds in three distinct parts across seven chapters. The initial part delves into constraint programming and its applications in airport operations, particularly in the allocation of check-in desks and aircraft stands. Through experimental evaluations, the utility of new models is demonstrated, showcasing our Metrics tool's role in analyzing experimental results. This section also offers insights into generic resolution methods for allocation problems. The latter part of the manuscript pivots to machine learning's role in optimizing airport operations. It focuses on forecasting the number of passengers with reduced mobility (PRM) and predicting off-block flight delays. Given the importance of both these aspects in maintaining operational efficiency, machine learning's potential in predicting and preempting challenges is underscored. As the aviation landscape continually shifts, the optimization of operations, especially in hubs like CDG, has far-reaching implications. This manuscript charts a course towards harnessing constraint programming and machine learning to foster resilience and efficiency in airport operations, ensuring they remain adept at serving a connected world.
L'industrie de l'aviation joue un rôle essentiel dans notre monde globalisé, permettant à des millions de personnes de voyager, de faire des affaires. Les aéroports, avec l'Aéroport Charles de Gaulle de Paris (CDG) comme exemple typique, incarnent les complexités des hubs mondiaux. Gérant des millions de passagers et se connectant à des centaines de destinations dans le monde entier, CDG est classé comme le deuxième aéroport le plus fréquenté d'Europe. Malgré son envergure, il n'y a pas de projets immédiats pour de nouveaux terminaux, soulignant l'importance de l'optimisation pour la gestion efficace des passagers et des ressources. Cette nécessité est encore amplifiée par la résurgence du trafic aérien après les perturbations liées à la COVID-19. Pour répondre aux complexités des aéroports comme CDG, des solutions innovantes sont nécessaires. Les méthodes traditionnelles, basées sur des technologies plus anciennes, pourraient peiner à répondre aux défis actuels, surtout étant donné l'aspect imprévisible de l'aviation. Deux approches se démarquent: la programmation par contraintes, apte à gérer des problèmes combinatoires et d'optimisations, et l'apprentissage automatique, reconnu pour sa puissance prédictive. Ce manuscrit se déroule en trois parties distinctes sur sept chapitres. La première partie aborde la programmation par contraintes et ses applications dans les opérations aéroportuaires, en particulier pour l'allocation des comptoirs d'enregistrement et des parkings avions. À travers des évaluations expérimentales, l'utilité des nouveaux modèles est démontrée, mettant en avant notre outil Metrics pour l'analyse des résultats. Cette section offre également un aperçu des méthodes de résolution génériques pour les problèmes d'allocation. La dernière partie du manuscrit s'oriente vers le rôle de l'apprentissage automatique dans l'optimisation des opérations aéroportuaires. Elle se concentre sur la prévision du nombre de passagers à mobilité réduite (PMR) et la prédiction des retards "au bloc" des vols. Compte tenu de l'importance de ces deux aspects, le potentiel de l'apprentissage automatique pour prévoir et prévenir les défis est mis en évidence. À mesure que le paysage de l'aviation évolue, l'optimisation des opérations, en particulier dans les hubs comme CDG, a des implications majeures. Ce manuscrit trace une voie pour exploiter la programmation par contraintes et l'apprentissage automatique afin de renforcer la résilience et l'efficacité des opérations aéroportuaires, garantissant leur capacité à servir un monde interconnecté.
Fichier principal
Vignette du fichier
phd.pdf (6.31 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04615540 , version 1 (18-06-2024)

Identifiants

  • HAL Id : tel-04615540 , version 1

Citer

Thibault Falque. Optimization of passenger flows and resources management through machine learning and constraint programming techniques. Artificial Intelligence [cs.AI]. Université d'Artois, 2023. English. ⟨NNT : ⟩. ⟨tel-04615540⟩

Collections

UNIV-ARTOIS
17 Consultations
18 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More