Modelling of punctuality at Frankfurt Airport

162 Pages·2009·2.13 MB·English

Modelling of punctuality at
Frankfurt Airport
Von der Fakult¨at fu¨r Mathematik und Physik
der Gottfried Wilhelm Leibniz Universit¨at Hannover
zur Erlangung des Grades
Doktor der Naturwissenschaften
Dr.rer.nat.
genehmigte Dissertation
von
Dipl.-Met. Peer R¨ohner
geboren am 13.05.1977 in Eisenach
2009
Referent: Prof.Dr.Thomas Hauf
Korreferent: Prof.Dr.Dieter Etling
Tag der Promotion: 4.12.2009
Abstract
The objective of this study is to develop a punctuality model for both
diagnosis and prognosis. This necessarily implies a better understanding of
the weather impact on air traffic delays and punctualities and a classification
of significant actuating variables.
Taking Frankfurt Airport as study airport, it is exemplarily shown, how
much of the variabilityof daily punctuality can be explained through a math-
ematical model. For this purpose, a hybrid model, based on multivariate
linear regression, was developed via several expansion stages. It addition-
ally comprises an autoregressive term. A complex regression tree correction
algorithm cares for model adjustment in the low punctuality domain.
The model introduced in this work is a continuation of the work previ-
ously done by Spehr (2003). Suggestions for improvement were seized and
developed further along with new ideas. In that respect it is analysed, which
model enhancements are meaningful and how they are reflected in improve-
ments of model quality. It is shown that by means of enhanced punctuality
models,an𝑅2 exceeding0.6canberealised. Thisisasignificantimprovement
compared to model results obtained by Spehr, where days with e.g. strikes
or system failures were excluded from the analyses beforehand. Moreover,
the weather impact on punctuality is, in the present study, quantified using
a new method. Previous approaches often drew upon an interpretation of
delay codes. By means of the punctuality models at hand, more than 45% of
the variability in daily punctuality can be explained through local weather.
Thus, the hypothesised strong weather impact on air traffic delays is to a
high degree verified. In that respect, weather acts as a governing descriptor
regarding the generation and development of delays and, consequently, not
all single processes need to be modelled individually.
In a follow-up study, the developed punctuality models were analysed fo-
cusing on their potential for a punctuality forecast. The option of true punc-
tuality forecasting on a daily basis for one or several days into the future,
with the aid of weather- and traffic forecasts, is a valuable source of infor-
mation for airport divisions planning in the medium term. It is shown that
good results can be achieved using punctuality models based on predictable
input variables, only. By means of independent data, an 𝑅2 of almost 0.6 was
realised. Based on these results, the operational application of a punctuality
forecast model seems not only possible but also reasonable. Therefore, an
optimisation of the forecast of significant predictor variables should be aimed
for in follow-up studies.
Keywords: punctuality, air traffic delay, modelling

Zusammenfassung
Ziel dieser Arbeit ist die Entwicklung eines Pu¨nktlichkeitsmodells sowohl
fu¨r die Diagnose als auch die Vorhersage. Dies impliziert ein besseres Ver-
st¨andnis der Gr¨oße des Wettereinflusses auf die Versp¨atungen und die Pu¨nkt-
lichkeit im Flugverkehr, sowie eine Benennung und Einordnung der signifi-
kanten Einflussgr¨oßen.
Anhand des Flughafens Frankfurt wird exemplarisch gezeigt, welcher Va-
riabilit¨atsanteil der Tagespu¨nktlichkeit mit einem mathematischen Modell
erkl¨artwerdenkann.DazuwurdeinmehrerenAusbaustufeneinhybridesMo-
dell auf Basis von multivariater linearer Regression entwickelt. Zur zus¨atzli-
chenVerbesserungwurdenZeitreiheninformationenausgewertet,dieineinem
autoregressiven Term im Pu¨nktlichkeitsmodell Anwendung finden. Ein kom-
plexer Regressionsbaum-Korrekturalgorithmus sorgt fu¨r Modellanpassungen
im Niedrigpu¨nktlichkeitsbereich.
Die in dieser Arbeit vorgestellten Modelle sind eine Fortfu¨hrung der Ar-
beit von Spehr (2003). Verbesserungsvorschl¨age werden aufgegriffen und
mitneuenIdeenweiterentwickelt.IndiesemZusammenhangwirduntersucht,
welche Modellerweiterungen sinnvoll sind und wie sich diese in einer Verbes-
serung der Modellgu¨te niederschlagen. Es wird gezeigt, dass mit Hilfe erwei-
terter Pu¨nktlichkeitsmodelle ein 𝑅2 von mehr als 0.6 erreicht werden kann.
Dies ist eine deutliche Verbesserung gegenu¨ber den Modellergebnissen von
Spehr, bei denen z.B. durch Streik oder Systemausf¨alle vorbelastete Tage
fu¨r die Untersuchungen ausgeschlossen wurden. Daru¨ber hinaus wird in der
vorliegendenArbeitderWettereinflussaufdiePu¨nktlichkeitaufeineneueArt
und Weise quantifiziert. Bisherige Ans¨atze stu¨tzten sich in der Regel auf die
Auswertung von Delay-Codes. Mit Hilfe der vorliegenden Pu¨nktlichkeitsmo-
delle kann mehr als 45% der Variabilit¨at der Tagespu¨nktlichkeit mit lokalem
Wetter erkl¨art werden. Damit wird der angenommene starke Wettereinfluss
auf Versp¨atungen im Flugverkehr best¨atigt. Wetter zeigt sich in diesem Zu-
sammenhang bei der Generierung und Entwicklung von Versp¨atungen als
u¨bergeordneter Deskriptor, wodurch auf eine individuelle Modellierung von
Einzelprozessen verzichtet werden kann.
In einer sich anschließenden Analyse werden die entwickelten Pu¨nktlich-
keitsmodelle auf ihr Potential zur Pu¨nktlichkeitsvorhersage hin untersucht.
Die M¨oglichkeit einer echten Pu¨nktlichkeitsvorhersage auf Tagesbasis fu¨r
einen oder gar mehrere Tage in der Zukunft, unter Zuhilfenahme von Wetter-
und Verkehrsprognosen, ist eine wertvolle Option fu¨r mittelfristig planende
Flughafenabteilungen. Es wird gezeigt, dass Pu¨nktlichkeitsmodelle auf Basis
prognostizierbarer Pr¨adiktoren gute Resultate erzielen. Anhand unabh¨angi-
ger Daten wurde ein 𝑅2 von nahezu 0.6 erreicht. Auf Grundlage dieser Er-
gebnisse scheint der operative Einsatz eines Pu¨nktlichkeitsvorhersagemodells
nicht nur m¨oglich sondern auch sinnvoll. In Anschlussstudien sollte daher die
Optimierung der Vorhersage signifikanter Pr¨adiktoren anvisiert werden.
Schlagworte: Pu¨nktlichkeit, Flugversp¨atungen, Modellierung

Contents
Contents i
List of Figures v
List of Tables vii
Abbreviations ix
1 Introduction 1
1.1 Definition of Delay Measures . . . . . . . . . . . . . . . . . . . 3
1.2 Low Punctuality: A Typical Example . . . . . . . . . . . . . . 6
1.3 Review of Previous Studies on Air Traffic Delay and Delay
Modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Motivation and Objectives . . . . . . . . . . . . . . . . . . . . 15
2 Methodology and Data 19
2.1 The Study Airport Frankfurt . . . . . . . . . . . . . . . . . . 19
2.1.1 General Description . . . . . . . . . . . . . . . . . . . . 19
2.1.2 Traffic and Passenger Volume at Frankfurt Airport . . 20
2.1.3 Operational Procedures . . . . . . . . . . . . . . . . . 23
2.1.4 Punctuality at Frankfurt Airport . . . . . . . . . . . . 24
2.1.5 Weather at Frankfurt Airport . . . . . . . . . . . . . . 26
2.2 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.1 Punctuality and Operational Data . . . . . . . . . . . 30
2.2.2 SYNOP Weather Data . . . . . . . . . . . . . . . . . . 32
2.2.3 AMDAR Wind Data . . . . . . . . . . . . . . . . . . . 37
2.2.3.1 AMDAR Data versus Daily Logs: A short
Analysis . . . . . . . . . . . . . . . . . . . . . 38
2.3 Theoretical Approach . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.1 Multivariate Linear Regression . . . . . . . . . . . . . . 40
2.3.2 Regression Trees . . . . . . . . . . . . . . . . . . . . . 42
2.3.3 AR-Processes . . . . . . . . . . . . . . . . . . . . . . . 45
2.3.4 Model Quality Measures . . . . . . . . . . . . . . . . . 45
2.3.5 Hard- and Software Environment for Implementation . 46
i
ii CONTENTS
3 Results 49
3.1 Preliminary Investigations . . . . . . . . . . . . . . . . . . . . 49
3.2 Modelling Results . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2.1 Model 1 – Rudimentary Baseline Model . . . . . . . . 54
3.2.2 Model 2 – Variable Transformations . . . . . . . . . . . 56
3.2.3 Model 3 – Runway-Related Wind Components . . . . . 59
3.2.4 Model 4 – Enhanced Boolean Predictor Variables . . . 60
3.2.5 Model 5 – Upper Level Wind . . . . . . . . . . . . . . 62
3.2.6 Model 6 – Traffic . . . . . . . . . . . . . . . . . . . . . 66
3.2.7 Model 7 – Weather Related Predictors . . . . . . . . . 67
3.2.8 Model 8 – Non-Weather Related Predictors. . . . . . . 69
3.2.9 Model 9 – Higher Resolution Weather Variables . . . . 70
3.2.10 Model 10 – Breakdown into Summer and Winter Season 72
3.2.11 Model 11 – AR(1) Extension . . . . . . . . . . . . . . . 75
3.2.12 Model 12 – Regression Trees . . . . . . . . . . . . . . . 76
3.2.12.1 A Pure Regression Tree Model . . . . . . . . 76
3.2.12.2 A Hybrid Model Approach . . . . . . . . . . . 78
3.2.13 Model 13 – The Final Hybrid Model . . . . . . . . . . 82
3.2.13.1 Modifications of Model 13 . . . . . . . . . . . 87
3.2.13.2 The Role of Weather . . . . . . . . . . . . . . 90
3.3 Punctuality Forecast . . . . . . . . . . . . . . . . . . . . . . . 98
4 Conclusions, Limitations and Outlook 107
4.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2 Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.3 Summary and Outlook . . . . . . . . . . . . . . . . . . . . . . 110
A Arrival Rate Matrix 113
B Model Background Information 115
B.1 Regression Trees – 24h-Data . . . . . . . . . . . . . . . . . . . 115
B.2 Regression Trees – 6h-Data . . . . . . . . . . . . . . . . . . . 116
B.3 Summary of Model Quality Criteria . . . . . . . . . . . . . . . 117
C Forecast Model 119
C.1 Monthly Plots . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
D SYNOP Format 127
D.1 ww-Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
D.2 CL-Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
D.3 E-Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
E Standard IATA Delay Codes 131
CONTENTS iii
Bibliography 135
Acknowledgements 143
Curriculum Vitae 145
iv