تنبؤ قابل للتفسير لزمن التاكسي قبل الإقلاع باستخدام تجميع التكديس وتحليل SHAP

لماذا يهم الوقت على المدرج

كل من جلس على متن طائرة ينتظر الإقلاع يعرف مدى إزعاج تلك الدقائق الإضافية على الأرض. بخلاف الإحباط، تنتج عن الانتظارات الطويلة قبل الإقلاع هدر في الوقود، وانبعاث المزيد من ثاني أكسيد الكربون، كما تؤثر تموجياً على جدول الرحلات لباقي اليوم. تبحث هذه الدراسة في كيفية التنبؤ بذلك «زمن التاكسي» بدقة أكبر، ومقاربة تفسرها فرق المطار ويمكن الوثوق بها عند اتخاذ قرارات في الوقت الحقيقي.

ماذا يحدث بين مغادرة البوابة والإقلاع

زمن التاكسي هو الفترة الممتدة بين دفع الطائرة للخلف من البوابة ووقت إقلاعها الفعلي. يعتمد هذا الزمن على عاملين عامين: كيفية تصميم المطار ومدى انشغاله في تلك اللحظة. يقسم الباحثون زمن التاكسي إلى جزء «غير معوق» — أسرع زمن يمكن للطائرة أن تسير به عبر الميدان دون ازدحام — وجزء «ديناميكي» يعكس التأخير الإضافي الناتج عن الطوابير والتعارضات مع طائرات أخرى. يتيح هذا التقسيم طرح سؤال بسيط: أي العوامل تتعلق بتخطيط المطار نفسه، وأيها مرتبطة بالازدحام على المدارج وممرات التاكسي؟

تحويل عمليات المطار إلى بيانات

استخدم الفريق سجلات مفصلة من مطار شنتشن باوآن الدولي في الصين، شملت 14 يوماً مزدحماً وأكثر من 12,000 رحلة. استخرجوا من نظام دعم اتخاذ القرار بالمطار أزمنة مغادرة البوابة، الهبوط، الدفع للخلف، والإقلاع، ثم ننقّحوا البيانات لإزالة القيم الشاذة. حولوا رقصة الطائرات المعقدة على السطح إلى مجموعة من الميزات الرقمية: عدد الطائرات التي تقلع أو تهبط خلال فترة تاكسي طائرة معينة، متوسط الأزمنة في النصف ساعة الماضية، المسافة التي يجب أن تقطعها الطائرة من موقفها إلى المدرج، وكيفية سلوك المواقف وشركات الطيران وأنواع الطائرات استناداً إلى الأنماط التاريخية. معاً تصف هذه العوامل كل من البنية الثابتة للميدان والصورة المرورية المتغيرة باستمرار.

نهج تعلم متعدد الطبقات للتنبؤ

بدلاً من الاعتماد على طريقة واحدة للتنبؤ، تستخدم الدراسة تقنية تسمى التكديس (stacking)، التي تجمع عدة نماذج تعلم آلي مثل طبقات في قالب حلوى. يقدم كل نموذج أساسي تخمينه الخاص لزمن التاكسي؛ ثم يتعلم نموذج «ميتا» نهائي كيف يدمج تلك التخمينات بأفضل شكل. حقق هذا النهج متعدد الطبقات، المدرب والمختبر عبر تقاطع التحقق الصارم، دقة متقدمة: حوالي 41 بالمئة من الرحلات تم التنبؤ بها ضمن دقيقة واحدة، وأكثر من 96 بالمئة ضمن خمس دقائق. قارن المؤلفون أيضاً بين التنبؤ الشامل لزمن التاكسي الكلي ونمط مرحلي يتنبأ بالزمن غير المعوق والتأخير الإضافي بشكل منفصل. كانت الطريقة الشاملة أدق قليلاً، لكن الطريقة ذات المرحلتين أوضحت كيف تشكل العوامل المختلفة أجزاء التاكسي المختلفة.

فتح الصندوق الأسود بتفسيرات واضحة

الدقة العالية وحدها لا تكفي عندما تكون قرارات السلامة والقدرة على المحك؛ فالمراقبون بحاجة لمعرفة سبب صدور تنبؤ معين. للتعامل مع ذلك، يطبق الباحثون أداة تسمى SHAP، التي تُنسب لكل عامل مدخل مساهمة في زمن التاكسي المتوقع لرحلة معينة. تكشف هذه الأداة أن عوامل الازدحام — مثل عدد الطائرات في طوابير المغادرة والوصول، ومدة التاكسيات الأخيرة — تهيمن على جزء التأخير الإضافي. بالمقابل، تشكل الميزات المتعلقة بالبنية التحتية مثل موقع الموقف، عادات شركات الطيران، ومسافة التاكسي أساس الزمن غير المعوق. من خلال الجمع بين فحوص الارتباط ودرجات SHAP، يقوم الفريق أيضاً بإزالة المدخلات الأقل فائدة، محافظةً على بساطة النموذج دون التضحية بالأداء.

ماذا يعني هذا للمسافرين والكوكب

ببساطة، تُظهر الدراسة أننا نستطيع توقع مدة بقاء الطائرة بين الدفع من البوابة والإقلاع بدقة عالية، ويمكننا تفسير تلك التوقعات بطريقة تتماشى مع طريقة عمل المطارات فعلياً. النموذج لا يتوقع فقط متى من المرجح أن تقلع الرحلة، بل يبرز أيضاً العوامل — مثل ازدياد طابور الوصول أو موجة دفعات خلفية متزامنة — التي تسبّب التأخير الإضافي. تمنح هذه الرؤية المطارات وسيلة عملية لتعديل أوقات الدفع الخلفي، وإدارة الطوابير، وتقليل حرق الوقود أثناء الخمول. للمسافرين، قد يعني ذلك انتظاراً أقل غموضاً على المدرج؛ ولشركات الطيران والمطارات، يوفر مساراً نحو عمليات أكثر سلاسة وانبعاثات أقل.

الاستشهاد: Wu, T., Mao, Y., Huang, J. et al. Interpretable Taxi-Out Time Prediction of Departure Flights Using Stacking Ensemble Learning and SHAP Analysis. Sci Rep 16, 10066 (2026). https://doi.org/10.1038/s41598-026-40898-5

الكلمات المفتاحية: تنبؤ زمن التاكسي, عمليات سطح المطار, تعلم الآلة في الطيران, إدارة تأخيرات الرحلات, الطقس المروري الجوي