Un cadre computationnel intelligent combinant réseaux neuronaux et FUCA flou pythagoricien complexe pour l'évaluation de la capacité de l'espace aérien et la prévision du trafic

Pourquoi des cieux plus intelligents comptent

Quiconque a subi un long retard de vol sait à quel point notre système de transport aérien peut être fragile. Derrière chaque décollage et chaque atterrissage se joue un exercice d'équilibre constant : combien d'avions le ciel peut-il accueillir en toute sécurité, comment les tempêtes et la congestion se propagent dans le réseau, et comment les contrôleurs et planificateurs arbitrent des priorités concurrentes. Cet article propose une nouvelle manière d'appuyer ces décisions en mêlant intelligence artificielle et une méthode sophistiquée de combinaison de jugements d'experts, visant à rendre les voyages aériens plus sûrs, plus fluides et plus prévisibles même lorsque les conditions sont incertaines.

Comprendre un ciel encombré et en mutation

Le trafic aérien moderne est devenu si dense et complexe que les outils de planification traditionnels — fondés sur des règles fixes ou des moyennes simples — peinent à suivre. La capacité de l'espace aérien correspond essentiellement au nombre maximal d'aéronefs pouvant traverser une région en toute sécurité sous des conditions changeantes, depuis les pistes surchargées jusqu'aux contrôleurs stressés en passant par des équipements de navigation fragiles. La prévision du trafic cherche à anticiper quand et où les avions vont se regrouper afin d'empêcher la congestion avant qu'elle n'arrive. Les deux tâches sont remplies d'incertitudes : la météo peut changer, la demande peut augmenter soudainement, et les experts peuvent diverger sur l'évaluation des risques. Les auteurs soutiennent qu'une gestion efficace exige aujourd'hui des outils capables de traiter des informations incomplètes et désordonnées sans faire semblant que tout est précisément connu.

Apprendre du passé avec les ordinateurs

Au cœur du cadre proposé se trouve un réseau neuronal, un modèle d'apprentissage automatique qui apprend les motifs à partir de données historiques. Le réseau ingère des enregistrements tels que le nombre d'aéronefs, l'occupation des secteurs, les conditions météorologiques et les historiques de retard provenant de différents aéroports et scénarios opérationnels. Il apprend ensuite à prédire les performances probables d'une façon donnée d'organiser l'espace aérien : combien de trafic elle peut supporter en toute sécurité, l'ampleur possible de la charge de travail des contrôleurs et la probabilité de congestion selon diverses conditions. Plutôt que de s'appuyer uniquement sur des règles préétablies, le système s'adapte au comportement complexe et non linéaire observé en situation réelle, capturant des relations trop subtiles ou imbriquées pour que les humains puissent les quantifier directement.

Transformer des opinions floues en classements clairs

Les chiffres seuls ne suffisent pas à rendre compte de tout ce qui compte en aviation. Les jugements d'experts — sur les marges de sécurité, la résilience face aux intempéries ou la faisabilité de certaines stratégies de contrôle — sont inévitablement vagues et parfois contradictoires. Pour gérer cela, les auteurs utilisent une technique de décision appelée FUCA, qui compare toutes les stratégies candidates simultanément plutôt qu'en paires. Ils enrichissent FUCA par des informations « floues pythagoriciennes complexes », une façon mathématique de représenter non seulement le degré de soutien ou d'opposition des experts à une option, mais aussi leur hésitation ou incertitude. Concrètement, les experts décrivent chaque stratégie à l'aide de notes verbales simples telles que « faible », « bon » ou « très bon » sur des critères comme le débit des pistes, la charge de travail des contrôleurs, la fiabilité des infrastructures, la qualité des prévisions, le coût des retards et le risque de congestion. Ces termes linguistiques sont traduits en valeurs floues qui codent à la fois l'accord et le doute, permettant à la méthode de respecter la nuance au lieu d'imposer des décisions catégoriques oui–non.

De nombreuses options aux meilleures stratégies

Le cadre est testé sur une étude de cas riche impliquant quatre types d'experts et quinze stratégies d'espace aérien réalistes, allant de secteurs terminaux spécifiques à des protocoles de décision collaborative et à des schémas avancés de contrôle du flux. Le réseau neuronal produit d'abord des estimations quantitatives de performance pour chaque stratégie sous conditions incertaines. FUCA fusionne ensuite ces prédictions avec les évaluations floues des experts, construit un tableau de scores combinés et classe toutes les options. Les résultats mettent en évidence une poignée de stratégies systématiquement performantes : une conception particulière de secteur en route, un protocole de prise de décision collaborative et une grille de navigation améliorée émergent comme leaders, tandis que des plans plus rigides ou excessivement complexes descendent en bas du classement. Des analyses de sensibilité étendues montrent que ces classements restent stables même lorsque l'influence relative des experts ou l'importance des critères varie dans de nombreux scénarios, ce qui suggère que les recommandations ne sont pas excessivement fragiles.

Comment cela aide les décisions d'aviation du monde réel

Pour évaluer la performance du nouveau cadre par rapport aux outils existants, les auteurs le confrontent à plusieurs méthodes concurrentes utilisées en ingénierie et en planification des transports. Leur approche hybride montre une meilleure capacité à distinguer des alternatives similaires, une gestion plus robuste d'une forte incertitude et des classements plus stables lorsque les entrées changent. Pour les gestionnaires et les régulateurs, cela se traduit par un système d'aide à la décision capable de mêler données en direct et expérience humaine, d'explorer des scénarios « et si » et de mettre en évidence des stratégies efficaces dans un large éventail de conditions. Bien que l'étude de cas soit hypothétique et que des travaux futurs devront valider le modèle sur des données réelles de trafic et à plus grande échelle, la recherche ouvre une voie pratique : utiliser l'IA et un raisonnement flou avancé pour guider la conception de l'espace aérien, la planification de la capacité et la gestion du trafic dans un monde où le ciel devient toujours plus encombré.

Citation: 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

Mots-clés: capacité de l'espace aérien, prévision du trafic aérien, réseaux neuronaux, prise de décision floue, gestion de l'aviation