Interpretierbare Vorhersage der Taxi-Out-Zeit von Abflügen mittels Stacking-Ensemble-Learning und SHAP-Analyse

Warum die Zeit auf dem Vorfeld wichtig ist

Wer schon einmal im Flugzeug saß und auf den Start gewartet hat, kennt die frustrierenden Minuten am Boden. Über den Ärger hinaus führen lange Wartezeiten vor dem Start zu zusätzlichem Treibstoffverbrauch, zu mehr ausgestoßenem Kohlendioxid und zu Kaskadeneffekten im Flugplan für den restlichen Tag. Diese Studie untersucht, wie sich die sogenannte Taxi-Out-Zeit genauer vorhersagen lässt und — ebenso wichtig — wie die Vorhersagen so erklärt werden können, dass Flughafenpersonal ihnen bei Echtzeitentscheidungen vertrauen und sie nutzen kann.

Was zwischen dem Verlassen des Gates und dem Start passiert

Die Taxi-Out-Zeit beschreibt die Phase zwischen dem Zurückrollen vom Gate und dem eigentlichen Abheben. Sie hängt von zwei großen Komponenten ab: der Infrastruktur des Flughafens und der aktuellen Auslastung. Die Autoren teilen die Taxi-Out-Zeit in einen "ungehinderten" Anteil — die schnellste realistische Fahrt über das Vorfeld ohne Stau — und einen "dynamischen" Anteil, der zusätzliche Verzögerungen durch Warteschlangen und Konflikte mit anderen Flugzeugen erfasst. Diese Aufteilung erlaubt eine klare Frage: Welche Faktoren hängen mit dem Aufbau des Flughafens zusammen, und welche werden durch die Belegung von Start- und Rollwegen bestimmt?

Flughafenbetrieb als Daten abbilden

Das Team nutzte detaillierte Aufzeichnungen des Flughafens Shenzhen Bao’an in China, die 14 geschäftige Tage und mehr als 12.000 Flüge abdecken. Aus dem Entscheidungsunterstützungssystem des Flughafens extrahierten sie Zeiten für Gate-Abflug, Landung, Pushback und Start und bereinigten die Daten von Ausreißern. Die komplexen Abläufe auf dem Vorfeld übersetzten sie in numerische Merkmale: wie viele Flugzeuge während der Taxi-Phase eines betrachteten Flugs starten oder landen, wie lange die Taxi-Vorgänge im Durchschnitt in den letzten 30 Minuten dauerten, welche Distanz das Flugzeug vom Abstellplatz bis zur Bahn zurücklegen musste, und wie sich Abstellpositionen, Airlines und Flugzeugtypen historisch verhalten. Zusammengenommen beschreiben diese Faktoren sowohl die feste Struktur des Vorfelds als auch das sich ständig ändernde Verkehrsbild.

Ein geschichteter Lernansatz zur Vorhersage

Statt auf ein einzelnes Vorhersagemodell zu setzen, verwendet die Studie eine Methode namens Stacking, die mehrere Machine-Learning-Modelle wie Schichten eines Kuchens kombiniert. Jedes Basis-Modell gibt eine eigene Schätzung der Taxi-Out-Zeit ab; ein abschließendes "Meta"-Modell lernt dann, wie sich diese Schätzungen am besten gewichten lassen. Dieser geschichtete Ansatz, trainiert und geprüft mit rigoroser Kreuzvalidierung, erreichte eine spitzenmäßige Genauigkeit: etwa 41 Prozent der Flüge wurden auf eine Minute genau vorhergesagt, und über 96 Prozent innerhalb von fünf Minuten. Die Autoren verglichen außerdem eine Ein-Schritt-Vorhersage der gesamten Taxi-Out-Zeit mit einem phasenbasierten Ansatz, der ungehinderten Anteil und Zusatzverzug getrennt vorhersagt. Die One-Shot-Methode war geringfügig genauer, doch die Zwei-Phasen-Methode machte deutlicher, wie verschiedene Faktoren unterschiedliche Teile der Taxi-Zeit beeinflussen.

Die Blackbox mit klaren Erklärungen öffnen

Hohe Genauigkeit allein reicht nicht aus, wenn Sicherheits- und Kapazitätsentscheidungen davon abhängen; Fluglotsen müssen wissen, warum ein Modell eine bestimmte Vorhersage trifft. Um dem gerecht zu werden, wenden die Autoren ein Werkzeug namens SHAP an, das jedem Eingangsmerkmal einen Beitrag zur vorhergesagten Taxi-Out-Zeit für einen konkreten Flug zuweist. Das zeigt, dass besonders belegungsbezogene Faktoren — wie viele Flugzeuge in den Abflug- und Ankunftsschlangen stehen und wie lange die letzten Taxi-Vorgänge gedauert haben — den dynamischen Verzugsanteil dominieren. Demgegenüber prägen infrastrukturelle Merkmale wie Abstellposition, Airline-Gewohnheiten und Taxi-Distanz vor allem die Baseline der ungehinderten Zeit. Durch die Kombination von Korrelationstests mit SHAP-Werten reduziert das Team außerdem weniger nützliche Eingaben und hält das Modell einfacher, ohne die Leistung zu verschlechtern.

Was das für Passagiere und Umwelt bedeutet

Kurz gesagt zeigt die Studie, dass sich die Zeit zwischen Pushback und Start mit hoher Präzision vorhersagen lässt und dass diese Vorhersagen so erklärt werden können, dass sie mit den tatsächlichen Arbeitsweisen von Flughäfen übereinstimmen. Das Modell sagt nicht nur, wann ein Flug voraussichtlich abheben wird, sondern macht auch deutlich, welche Faktoren — etwa eine anwachsende Ankunftsschlange oder ein gleichzeitiger Schub von Pushbacks — zusätzlichen Verzug verursachen. Diese Einsichten geben Flughäfen praktische Hebel, um Pushback-Zeiten zu steuern, Warteschlangen zu managen und Leerlaufverbrauch von Treibstoff zu reduzieren. Für Reisende könnten das weniger unerklärliche Wartezeiten auf dem Vorfeld bedeuten; für Airlines und Flughäfen eröffnet sich ein Weg zu reibungsloseren Abläufen und niedrigeren Emissionen.

Zitation: 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

Schlüsselwörter: Vorhersage der Taxi-Out-Zeit, Betriebsvorgänge auf dem Flughafenvorfeld, Maschinelles Lernen in der Luftfahrt, Management von Flugverspätungen, Flugverkehrsüberlastung