Optimisation de Trajectoires d'Avions

Projet d'optimisation de trajectoires aériennes basé sur des données ADS-B (OpenSky Network) avec prise en compte des conditions météorologiques réelles.

📋 Description

Ce projet permet de :

• Récupérer et parser des données de trajectoires au format KML (OpenSky Network)
• Appliquer un filtre de Kalman pour le lissage et la prédiction
• Utiliser des B-splines pour l'interpolation et l'optimisation
• Intégrer des données météorologiques (vent, température, pression)
• Générer des trajectoires optimisées

🏗️ Structure du Projet

.
├── src/
│   ├── data/
│   │   ├── kml_parser.py          # Parser de fichiers KML
│   │   └── data_models.py         # Modèles de données
│   ├── filters/
│   │   └── kalman_filter.py       # Implémentation du filtre de Kalman
│   ├── optimization/
│   │   ├── bspline.py             # Interpolation B-spline
│   │   └── trajectory_optimizer.py # Optimiseur principal
│   ├── weather/
│   │   └── weather_api.py         # Intégration API météo
│   └── utils/
│       └── visualization.py       # Outils de visualisation
├── examples/
│   └── optimize_trajectory.py     # Exemple d'utilisation
├── data/
│   └── sample/                    # Données d'exemple
├── tests/
│   └── ...                        # Tests unitaires
├── requirements.txt               # Dépendances Python
└── README.md

🚀 Installation

pip install -r requirements.txt

⚡ Démarrage Rapide

from src.data.kml_parser import KMLParser
from src.optimization.trajectory_optimizer import TrajectoryOptimizer, OptimizationMethod

parser = KMLParser('data/sample/F-HZUE-track-EGM96.kml')
trajectory = parser.parse()

optimizer = TrajectoryOptimizer(method=OptimizationMethod.HYBRID)
result = optimizer.optimize(trajectory, target_points=100)

print(f"Compression : {result.metrics['compression_ratio']:.2%}")
print(f"Smoothness  : {result.metrics['smoothness']:.2f}")

Sorties générées : output/comparison.png, output/trajectory_map.html

Obtenir des données KML

• OpenSky Network : https://opensky-network.org/ → rechercher un vol → exporter KML
• FlightRadar24 : https://www.flightradar24.com/ (compte premium requis)

📦 Dépendances Principales

• numpy - Calculs numériques
• scipy - Optimisation et B-splines
• lxml - Parsing XML/KML
• matplotlib - Visualisation
• requests - Requêtes API météo
• pyproj - Conversions de coordonnées

💻 Utilisation

Interface Graphique (Recommandé)

Dashboard Streamlit Amélioré - Interface professionnelle et intuitive :

cd examples
streamlit run dashboard_improved.py

Fonctionnalités du Dashboard :

• 🎨 Design moderne avec CSS personnalisé
• 📊 4 graphiques de comparaison (altitude, vitesse, montée, courbure)
• 🎯 Sélection point de départ d'optimisation
• 💾 Export des résultats en CSV
• 📖 Guide d'utilisation intégré
• ⚡ Feedback visuel en temps réel

Voir DASHBOARD_IMPROVEMENTS.md pour tous les détails.

Utilisation Programmatique

from src.data.kml_parser import KMLParser
from src.optimization.trajectory_optimizer import TrajectoryOptimizer, OptimizationMethod

# Charger les données
parser = KMLParser('data/flight_trajectory.kml')
trajectory = parser.parse()

# Optimiser avec point de départ personnalisé
optimizer = TrajectoryOptimizer(method=OptimizationMethod.HYBRID)
optimized = optimizer.optimize(
    trajectory, 
    target_points=100,
    start_time=600  # Optimiser après 10 minutes
)

# Afficher les métriques
print(f"Compression: {optimized.metrics['compression_ratio']:.2%}")

📊 Méthodes d'Optimisation

Le projet propose 5 méthodes d'optimisation différentes :

1. Filtre de Kalman

• ✅ Lissage des données bruitées ADS-B
• ✅ Estimation de la vitesse et de l'accélération
• ⚡ Ultra-rapide (0.04s)
• ⚠️ Ne réduit pas le nombre de points

2. B-spline

• ✅ Interpolation lisse par courbes cubiques
• ✅ Compression des données (60% de réduction)
• ⚡ Très rapide (0.002s)
• ✅ Contrôle de la courbure et continuité

3. Hybride (Kalman + B-spline)

• 🏆 RECOMMANDÉ - Meilleur compromis qualité/performance
• ✅ Combine le lissage et la compression
• ✅ Smoothness optimale (25,029 vs 147,624 original)
• ✅ 60% de compression avec excellente qualité

4. Météo (Weather-based)

• ✅ Optimisation tenant compte du vent
• ✅ Réduction de la consommation de carburant
• 🌤️ Utilise des données météo réelles ou simulées

5. NLP Direct Collocation

• ✅ Optimisation mathématique non-linéaire
• ✅ Meilleure compression (80% de réduction)
• ✅ Respect strict des contraintes
• ⚠️ Plus lent (28s vs 0.04s)

📈 Comparaison des Performances

Méthode	Points	Temps	Smoothness	Usage recommandé
Kalman	501	0.04s	⭐⭐⭐	Lissage simple
B-spline	200	0.002s	⭐⭐⭐⭐	Compression rapide
Hybride	200	0.04s	⭐⭐⭐⭐⭐	Usage général 🏆
Météo	200	0.04s	⭐⭐⭐⭐	Optimisation réaliste
NLP	99	28s	⭐⭐⭐	Compression max

Pour comparer toutes les méthodes visuellement :

python examples/compare_methods.py  # Comparaison complète
python examples/radar_comparison.py  # Graphique radar

📖 Voir METHODES_OPTIMISATION.md pour l'analyse détaillée et les corrections implémentées.

🌤️ Intégration Météo

Le projet peut intégrer des données météorologiques pour optimiser les trajectoires :

• Données de vent (direction, intensité)
• Température
• Pression atmosphérique

API supportées :

• OpenWeatherMap
• NOAA
• Données personnalisées

📝 License

MIT

👤 Auteur

Projet technique ENAC - 2A