Bachelor-/Masterthesis im Bereich Datenanalysen in der Luftfahrt ab sofort zu vergeben
Merkmalsidentifizierung für Treibstoffverbrauchsprognosen mit Hilfe von Machine Learning Algorithmen
10.07.2017
Das Ziel dieser Arbeit ist die Identifizierung relevanter Merkmale aus Flugbetriebsdaten einer Airline, um die Anzahl an Eingangsvariablen für datenbasierte und iterativ lernende Modelle wie Neuronale Netze und Entscheidungsbäume reduzieren und Prognoseergebnisse steigern zu können. Hierfür sollen Algorithmen aus dem Bereich der Feature Subset Selection wie Wrapper und Hauptkomponentenanalysen zum Einsatz kommen. Die Performanz der Ergebnisse soll mit bereits bestehenden Frameworks zur Prognose des Treibstoffverbrauches von Flugzeugen validiert werden.
Hintergrund:
Der Treibstoff stellt einen maßgeblichen Anteil an den Gesamtbetriebskosten einer Fluggesellschaft dar. Zur Überwachung und Abschätzung des Treibstoffverbrauches von Flugzeugen und Flotten bedient man sich bisher historischen Datenanalysen und (physikalischen) Abschätzungsmodellen. Diese weisen jedoch erhebliche Ungenauigkeiten im Vergleich zum realen Flugbetrieb auf. Zur Optimierung von Treibstoffverbrauchsanalysen und zur Prognose zukünftiger Treibstoffprofile werden am FSR Machine Learning Algorithmen auf Flugbetriebsdaten von Fluggesellschaften angewendet und weiterentwickelt.
Organisatorisches:
- Beginn: ab sofort
- Anforderung: Matlab- / Statistik-Kenntnisse wünschenswert, Interesse für Datenanalysen
- Angebot: Industriekontakt zur Luftfahrt & praxisnahe Forschung
