В данной статье проведен анализ возможностей применения нейросетевого подхода для определения пропускной способности секторов ОВД на примере аэропорта «Домодедово». Рассмотренная методика позволяет прогнозировать краткосрочную пропускную способность воздушного пространства аэропорта.
Ключевые слова: пропускная способность, метод расчета, прогнозирование пропускной способности.
В настоящее время нейросетевые технологии, основанные на применении нейронных сетей, получают все большее распространение и прикладное применение в различных областях. Так, например, искусственный интеллект уже сегодня применяется как основа для экспертных систем, переводов, аналитики, прогнозирования и решения целого комплекса специфических задач.
Однако сам по себе искусственный интеллект не в состоянии решить некоторые задачи, сопряженные с обработкой большого массива исходных данных, которые предоставляются в неструктурированном и ретроспективном виде.
Нейросети применяются и в авиации — так, например, авиакомпания «Аэрофлот» использует технологии нейросетевого прогнозирования отказов техники, планирования расписания полетов и т. д., что подтверждает актуальность использования данной технологии и в смежных отраслях.
В сфере управления воздушным движением одним из наиболее перспективных направлений применения нейросетевого прогнозирования является определение пиковых нагрузок на системы ОВД и пропускной способности секторов ОВД.
Несмотря на то, что по состоянию на 2023 год интенсивность полетов в Российской Федерации сократилась, а, следовательно, и нагрузка на систему ОВД уменьшилась, справедливо отметить, что уже на сегодняшний день интенсивность полетов восстанавливается.
Вполне вероятно, что из-за несоответствия между растущим спросом на авиаперевозки и ограниченными ресурсами пропускной способности проблема перегруженности сети воздушного движения сохранится в долгосрочной перспективе.
В особенности данная проблема стоит остро для крупных аэропортов, например, аэропорта «Домодедово», который является объектом исследования в данной работе, поскольку у них существует мало возможностей увеличить пропускную способность за счет строительства новой инфраструктуры.
В дополнение к ограничению пропускной способности, ресурс предпочтительного расписания также ограничен, что может привести к смещению во времени. Разрыв между интенсивностью потока ВС и пропускной способностью может привести к перегрузке системы воздушного движения и крайним задержкам рейсов.
В данной статье была поставлена задача оценить перспективную модель прогнозировании пропускной способности аэропортов по всей стране на примере аэропорта «Домодедово».
Чтобы решить эту проблему, была рассмотрена платформа под названием graph attention network stacking с LSTM (GAT-LSTM) для прогнозирования пропускной способности аэропортов вылета и прибытия соответственно.
В данном исследовании предлагается новая модель под названием graph attention recurrent neural network (GAT-LSTM) для прогнозирования фактической пропускной способности аэропортов (прибытие и отправление) Российской Федерации.
Исходными данными для прогнозирования являются необработанные данные о трафике ВД в виде графически структурированных входных данных с помощью графического моделирования.
Предлагаемая модель построена и оценена на сетевом уровне и может извлекать пространственно-временные корреляции в сети воздушного движения с учетом топологической структуры сети аэропортов. Graph attention network (GAT) известна как представление нейронных сетей с пространственной сверткой графов (GNN), которые могут встраивать графически структурированные функции трафика и изучать потенциальные пространственные корреляции.
Необработанные данные о потоках воздушных судов включают записи о перемещениях воздушных судов по всей стране и расписании рейсов (время вылета и прибытия, аэропорты отправления и назначения, типы воздушных судов и т. д.), которые формируются на основе источника данных автоматического зависимого наблюдения-широковещания (ADS-B).
Затем, используя функции временной метки и индикатор погоды в качестве внешних входных данных для указания запланированных характеристик воздушного движения и погодных условий в аэропорту, соответственно, используются два вида методов моделирования ATN graph для построения графика аэропорта и графика отправления-назначения.
Затем используется GAT для извлечения динамических пространственных корреляций между историческими данными о трафике в аэропортах ATN. После этого LSTM накапливается для извлечения долгосрочных и краткосрочных временных моделей в пределах каждого аэропорта.
Затем используется трехуровневая полностью подключенная сеть (FCN) для выполнения регрессии для прогнозирования с несколькими выходами. Чтобы лучше использовать возможности различных слоев в многослойной структуре, в процессе обучения применяются различные операции изменения формы.
С помощью системы прогнозирования GAT-LSTM, как показано на рисунке 1, можно охватить сложные динамические пространственно-временные корреляции аэропортов.
Таким образом, поставленную задачу исследования можно определить как как изучение функции пропускной способности аэропорта в момент времени f(Т), которая зависит от особенностей воздушного движения, погоды иинтенсивности обслуживания воздушных судов.
В это случае фукнция Ф(Т+1) представляет собой прогнозное значение функции пропускной способности аэропорта в момент времени Т+1:
Ф (Т+1) = f({G 1 , G 2 , … G T }; FD T +1 ) = {y 1 , y 2 ,…,y N } T +1 (1)
где FD T +1 — будущее количество оправлений;
G 1 , G 2 , … G T — временные отметки отправлений воздушных судов из аэропортов прибытия/назначения;
y i — фактическое количество воздушных судов, вылетевших из аэропорта i или прибывших в аэропорт i в течение интервала времени T + 1.
Входные данные модели включают четыре категории данных:
— погодные индикаторы из внешних источников, чтобы указать, находятся ли аэропорты в неблагоприятных погодных условиях или нет, временные метки в качестве внешних факторов для указания запланированных характеристик воздушного движения, исторические характеристики воздушного движения в аэропортах для описания общесистемных схем выполнения полетов и задержек в аэропорту, а также запланированные данные по интенсивности потока ВС, содержащие данные о слотах на запланированный вылет или прибытие в каждом аэропорту.
Разработанная модель нейронной сети для прогнозирования пропускной способности аэропорта представлена в виде рисунка 1.
- Индикатор погоды
Погода напрямую влияет на пропускную способность аэропорта в режиме реального времени, и в соответствии с практикой аэропортов операции вылета и прибытия будут корректироваться в соответствии с правилами при различных погодных условиях.
Таким образом, мы включаем функцию WX t для указания погодных условий, будь то условия визуальных полетов (VMC) или полета по приборам (IMC).
WX t = {VMC or IMC} (2)
- Функции временных меток
Поскольку воздушное движение является своего рода регулярным, оно имеет четкие схемы, связанные с отметками времени, например, рейсы отправляются в одно и то же время каждый день или постоянно каждые 2 дня, в будние и выходные дни также отображаются разные схемы расписания повторных рейсов, соответственно.
Функции временных меток используются для указания временных характеристик расписаний воздушного движения, включая «Время суток» и «День недели».
Из-за определения каждого временного шага в качестве 15-минутного интервала функция «Время суток» используется ежеквартально, то есть ее значения варьируются от 0 до 95 в день. В зависимости от дня недели его значения варьируются от 0 до 6.
Кроме того, чтобы учесть циклические свойства объектов с временными метками, требуется преобразовать исходные значения обоих объектов в тригонометрической форме. На каждом временном шаге t функция временной метки указывается в следующем виде:
TS t = {sin(TimeOfDay), cos(TimeOfDay), sin(DayOfWeek), cos(DayOfWeek)} t (3)
- Исторические данные о состоянии воздушного движения в аэропортах
Исторические данные о состоянии воздушного движения в аэропортах используются для описания воздушного движения.
На каждом временном шаге t это можно рассматривать как моментальный снимок состояния сети воздушного движения в аэропортах, включая состояния задержки вылета (DepDelay), состояния задержки прибытия (ArrDelay), спрос на запланированный вылет (SDep), слот на запланированное прибытие (SArr), фактические вылеты (ADep) и фактические прибытия (AArr):
HT t = {DepDelay, ArrDelay, SDep, SArr, ADep, AArr} t (4)
- Интенсивность полетов в будущем времени
Интенсивность полетов в будущем времени математически представляет собой количество запланированных рейсов для каждого аэропорта в пределах прогнозируемого временного интервала T +1.
Оно имеет то же значение, что и Step или SArr. Эта функция используется для устранения влияния корректировок расписания на операции воздушного движения, которые разрабатываются на основе информации о запланированном вылете и прибытии рейса.
FD T +1 = {x 1 FD , x 2 FD , …, x N FD } T +1 (5)
Рис. 1. Структурная модель прогнозирования пропускной способности аэропорта «Домодедово»
Аэропорт «Домодедово» был выбран в качестве целевого аэропорта. Модель прогнозирования остается неизменной, а исходные данные для обучения нейросети представлены в виде таблицы 1.
Таблица 1
Показатели прогнозирования пропускной способности отправления и прибытия для аэропорта «Домодедово» в случае прибывающего потока ВС
Результаты прогнозирования показали, что при прогнозировании пропускной способности аэропорта «Домодедово» в случае прибывающего потока ВС увеличение длительности временного интервала (увеличение шага прогнозирования) погрешность прогноза сокращается — то есть предложенная модель обладает лучшей производительностью, чем базовые методы, при прогнозировании пропускной способности в случае прибывающего потока ВС.
Апробация модели была выполнена на примере аэропорта «Домодедово» — результаты показали, что совокупность выбранных и учтённых факторов в модели влияет в меньшей степени на пропускную способность прилетающего потока ВС, а увеличение выборки исходных данных приведет к повышению качества результатов прогнозирования.
То есть данная модель лучшие результаты прогнозирования в более загруженных аэропортах, чем в менее загруженных аэропортах, соответственно, может быть использована для прогнозирования пропускной способности аэропортов Московского авиационного узла.
Литература:
- Организация УВД / В. И. Алёшин, Ю. П. Дарымов, Г. А. Крыжановский и др.; Под ред. Г. А. Крыжановского, — М.: Транспорт, 1988. — 264 с.
- Odoni, A., Morisset, T., Drotleff, W., and Zock, A. (2011). «Benchmarking airport airside performance: FRA vs. EWR,» in Proceedings of Ninth USA/EUROPE Air Traffic Management Research & Development Seminar (Berlin).
- Rebollo, J. J., and Balakrishnan, H. (2014). Characterization and prediction of air traffic delays. Transportat. Res. C Emerg. Technol. 44, 231–241.
- Алешин В. И., Крыжановский Г. А., Купин В. В. Распределение обслуживаемых воздушных судов по часам суток в системе УВД. В кн.: Научный вестник МГТУ ГА, № 136: Серия «Навигация и управление воздушным движением». — М.: МГТУ ГА, 2008. С. 38–44.
