Ein intelligenter Rechenrahmen, der neuronale Netze mit komplexer pythagoreischer fuzzy-FUCA für die Bewertung der Luftraumkapazität und Verkehrsprognosen kombiniert

Warum intelligentere Lufträume wichtig sind

Wer schon einmal eine lange Flugverspätung erlebt hat, weiß, wie fragil unser Luftverkehrssystem sein kann. Hinter jedem Start und jeder Landung steht ein ständiger Balanceakt: wie viele Flugzeuge der Luftraum sicher aufnehmen kann, wie Stürme und Überlastungen sich im Netzwerk ausbreiten und wie Lotsen und Planer konkurrierende Prioritäten abwägen. Diese Arbeit stellt eine neue Methode vor, die solche Entscheidungen unterstützt, indem sie künstliche Intelligenz mit einem ausgefeilten Verfahren zur Kombination fachlicher Urteile verbindet, mit dem Ziel, den Flugverkehr auch unter Unsicherheit sicherer, reibungsloser und vorhersagbarer zu machen.

Den vollen, sich verändernden Himmel verstehen

Der moderne Flugverkehr ist so dicht und komplex geworden, dass traditionelle Planungsinstrumente – basierend auf festen Regeln oder einfachen Mittelwerten – kaum noch Schritt halten. Luftraumkapazität ist im Kern die maximale Anzahl an Luftfahrzeugen, die unter wechselnden Bedingungen sicher durch ein Gebiet bewegt werden kann, von vollen Rollwegen über belastete Lotsen bis hin zu anfälliger Navigationstechnik. Verkehrsprognosen versuchen vorherzusagen, wann und wo sich Flugzeuge konzentrieren werden, damit Staus verhindert werden können, bevor sie entstehen. Beide Aufgaben sind von Unsicherheit durchdrungen: Das Wetter kann sich ändern, die Nachfrage kann plötzlich ansteigen, und Expertinnen und Experten können in ihrer Risikoeinschätzung auseinanderliegen. Die Autorinnen und Autoren argumentieren, dass wir leistungsfähige Werkzeuge brauchen, die mit unvollständigen und widersprüchlichen Informationen umgehen können, ohne so zu tun, als sei alles präzise bekannt.

Computern beibringen, aus der Vergangenheit zu lernen

Im Zentrum des vorgeschlagenen Rahmens steht ein neuronales Netz, ein Machine-Learning-Modell, das Muster in historischen Daten erkennt. Das Netz verarbeitet Aufzeichnungen wie Flugzeugzahlen, Belegung von Sektoren, Wetterzustände und Verzögerungshistorien verschiedener Flughäfen und Betriebszustände. Anschließend lernt es, wie sich eine bestimmte Art der Luftraumorganisation voraussichtlich verhält: wie viel Verkehr sie sicher bewältigen kann, wie hoch die Arbeitsbelastung der Lotsen werden könnte und wie wahrscheinlich Staus unter verschiedenen Bedingungen sind. Anstatt sich nur auf vorab definierte Regeln zu stützen, passt sich das System an das komplexe, nichtlineare Verhalten in realen Operationen an und erfasst Zusammenhänge, die für Menschen zu subtil oder vernetzt wären, um sie direkt zu quantifizieren.

Vage Urteile in klare Ranglisten verwandeln

Zahlen allein erfassen jedoch nicht alles, was in der Luftfahrt zählt. Fachurteile – über Sicherheitsmargen, Widerstandsfähigkeit gegen schlechtes Wetter oder die Praktikabilität bestimmter Kontrollstrategien – sind zwangsläufig vage und mitunter widersprüchlich. Um damit umzugehen, nutzen die Autorinnen und Autoren eine Entscheidungsfindungstechnik namens FUCA, die alle Kandidatenstrategien gleichzeitig vergleicht, statt nur paarweise. Sie ergänzen FUCA um „komplexe pythagoreische fuzzy“-Informationen, eine mathematische Darstellung, die nicht nur ausdrückt, wie sehr Experten eine Option unterstützen oder ablehnen, sondern auch, wie zögerlich oder unsicher sie sind. In der Praxis beschreiben Expertinnen und Experten jede Strategie mit einfachen verbalen Bewertungen wie „schwach“, „gut“ oder „sehr gut“ zu Kriterien wie Rollwegdurchsatz, Lotsenarbeitsbelastung, Infrastrukturzuverlässigkeit, Prognosequalität, Verzögerungskosten und Staurisiko. Diese sprachlichen Begriffe werden in fuzzy Werte übersetzt, die sowohl Zustimmung als auch Zweifel kodieren und es der Methode ermöglichen, Nuancen zu respektieren, anstatt harte Ja–Nein-Entscheidungen zu erzwingen.

Aus vielen Optionen die besten Strategien finden

Der Rahmen wird an einer umfassenden Fallstudie mit vier Expertentypen und fünfzehn realistischen Luftraumstrategien getestet, die von speziellen Terminalsektoren über kollaborative Entscheidungsprotokolle bis hin zu erweiterten Flusssteuerungsschemata reichen. Das neuronale Netz liefert zunächst quantitative Leistungsschätzungen für jede Strategie unter unsicheren Bedingungen. FUCA verbindet dann diese Vorhersagen mit den fuzzy-expertisen Bewertungen, erstellt eine kombinierte Bewertungstabelle und reiht alle Optionen. Die Ergebnisse heben eine Handvoll durchgehend starker Strategien hervor: Ein bestimmtes En-Route-Sektor-Design, ein kollaboratives Entscheidungsprotokoll und ein verbessertes Navigationsraster erweisen sich als führend, während starrere oder übermäßig komplexe Pläne weit unten landen. Umfangreiche Sensitivitätsanalysen zeigen, dass diese Ranglisten stabil bleiben, selbst wenn der relative Einfluss der Expertinnen und Experten oder die Gewichtung der Kriterien in vielen Szenarien variiert wird, was darauf hindeutet, dass die Empfehlungen nicht übermäßig fragil sind.

Wie das echte Luftfahrtentscheidungen unterstützt

Um zu zeigen, wie sich der neue Rahmen gegenüber bestehenden Instrumenten schlägt, vergleichen die Autorinnen und Autoren ihn mit mehreren konkurrierenden Methoden aus dem Ingenieurwesen und der Verkehrsplanung. Ihr hybrider Ansatz zeigt eine stärkere Fähigkeit, zwischen ähnlichen Alternativen zu unterscheiden, ein besseres Handling hoher Unsicherheit und stabilere Ranglisten bei veränderten Eingaben. Für Managerinnen und Regulierungsbehörden bedeutet das ein Entscheidungsunterstützungssystem, das Live-Daten mit menschlicher Erfahrung verbinden, Was-wäre-wenn-Szenarien durchspielen und Strategien hervorheben kann, die unter einer breiten Palette von Bedingungen wirksam bleiben. Obwohl die Fallstudie hypothetisch ist und künftige Arbeiten das Modell mit realen Verkehrsdaten und in größerem Maßstab validieren müssen, weist die Forschung auf einen praktikablen Weg hin: den Einsatz von KI und fortgeschrittener fuzzy-logischer Argumentation zur Lenkung von Luftraumgestaltung, Kapazitätsplanung und Verkehrsmanagement in einer Welt, in der der Himmel immer voller wird.

Zitation: Huo, D., Zhang, S. An intelligent computational framework combining neural networks with complex Pythagorean fuzzy FUCA for airspace capacity evaluation and traffic forecasting. Sci Rep 16, 13322 (2026). https://doi.org/10.1038/s41598-026-41437-y

Schlüsselwörter: Luftraumkapazität, Flugverkehrsprognose, Neuronale Netze, Fuzzy-Entscheidungsfindung, Luftfahrtmanagement