Yazar, Heathrow Havalimanı yakınında çalışırken, pistlerin o gün nasıl kullanıldığını (iniş mi kalkış mı) kolayca öğrenmek istediğini fark etti. Penceresinden uçakları izlerken, pist kullanımının gürültü azaltma ve rüzgar gibi faktörlere bağlı olarak gün içinde ve günler arasında değiştiğini gözlemledi. Mevcut yöntemler (Heathrow Runways Twitter hesabı veya Flightradar24 gibi uygulamalardan manuel olarak kontrol etmek) zaman alıcıydı ve yazar, bu bilgiyi büyük, anlaşılır bir metinle gösteren basit bir web sitesi arayışındaydı. Bu ihtiyaç, "lhrNet" projesinin doğuşuna yol açtı. lhrNet'in temel fikri, Flightradar24 verilerindeki kalıpları kullanarak havalimanının mevcut durumunu tahmin etmekti. Yazar, bu problemi bir makine öğrenimi (ML) sorunu olarak ele aldı ve özellikle bir görüntü sınıflandırma problemine benzetilebileceğini düşündü. Bu yaklaşımda, Heathrow çevresindeki belirli bir dikdörtgen alan bir ızgaraya bölünür. Her bir ızgara hücresi, içinde en az bir uçak olup olmadığına göre "doğru" veya "yanlış" olarak işaretlenir. Bu, 1 bit derinliğinde bir "görüntü" oluşturur ve bu görüntü benzeri temsil üzerinde standart görüntü sınıflandırma teknikleri uygulanarak havalimanının 7 olası durumundan biri kategorize edilebilir. Projenin uygulanmasındaki ilk büyük engel, uçuş verilerine erişimdi. Yazar, Flightradar24'ün API'sini inceledi ancak yüksek maliyeti nedeniyle bu seçeneğin bütçesiz bir proje için uygun olmadığını gördü. Bu nedenle, proje için ücretsiz ve cömert bir hız limiti sunan bir topluluk seçeneği aramaya başladı. Bu çözüm, hem yazarın hem de diğer ilgili kişilerin Heathrow'daki pist kullanımını kolayca takip etmesini sağlayacak bir platform sunmayı hedefliyor.
Makine öğrenimi ve görüntü sınıflandırma teknikleri kullanılarak gerçek dünya verilerinden anlamlı bilgiler çıkarılabileceğini gösteriyor.