Un quadro computazionale intelligente che combina reti neurali con FUCA fuzzy pitagorica complessa per la valutazione della capacità dello spazio aereo e la previsione del traffico

Perché cieli più intelligenti sono importanti

Chiunque abbia subito un lungo ritardo di volo sa quanto il nostro sistema di trasporto aereo possa essere fragile. Dietro ogni decollo e atterraggio c’è un continuo equilibrio: quanti aerei il cielo può contenere in sicurezza, come tempeste e congestione si propagano nella rete e come controllori e pianificatori bilanciano priorità in competizione. Questo articolo presenta un nuovo modo di supportare quelle decisioni fondendo l’intelligenza artificiale con un metodo sofisticato per combinare il giudizio degli esperti, con l’obiettivo di rendere il trasporto aereo più sicuro, fluido e prevedibile anche quando le condizioni sono incerte.

Interpretare un cielo affollato e in cambiamento

Il traffico aereo moderno è diventato così denso e complesso che gli strumenti tradizionali di pianificazione — basati su regole fisse o medie semplici — faticano a stare al passo. La capacità dello spazio aereo è essenzialmente il numero massimo di velivoli che possono muoversi in sicurezza in una regione sotto condizioni variabili, dai piazzali affollati ai controllori sotto pressione fino a equipaggiamenti di navigazione fragili. La previsione del traffico cerca di predire quando e dove gli aerei tenderanno ad accumularsi, così da prevenire la congestione prima che si manifesti. Entrambi i compiti sono pieni di incertezza: il meteo può cambiare, la domanda può impennarsi e gli esperti possono non essere d’accordo sui rischi. Gli autori sostengono che una gestione efficace richiede oggi strumenti in grado di trattare informazioni incomplete e imprecise senza fingere che tutto sia precisamente noto.

Insegnare ai computer a imparare dal passato

Al centro del quadro proposto c’è una rete neurale, un modello di apprendimento automatico che apprende pattern dai dati storici. La rete assume registrazioni come conteggi di aeromobili, occupazione dei settori, condizioni meteorologiche e storici dei ritardi provenienti da diversi aeroporti e scenari operativi. Impara quindi a prevedere come un certo modo di organizzare lo spazio aereo tenderà a comportarsi: quanta capacità di traffico può sostenere in sicurezza, quanto possono diventare gravosi i carichi di lavoro dei controllori e quanto è probabile la congestione in varie condizioni. Invece di affidarsi solo a regole predisposte, il sistema si adatta al comportamento complesso e non lineare osservato nelle operazioni reali, cogliendo relazioni che potrebbero essere troppo sottili o intrecciate perché gli esseri umani le quantifichino direttamente.

Trasformare opinioni sfumate in classifiche chiare

I soli numeri, però, non possono catturare tutto ciò che conta nell’aviazione. I giudizi degli esperti — su margini di sicurezza, resilienza al maltempo o praticabilità di certe strategie di controllo — sono inevitabilmente vaghi e talvolta contraddittori. Per gestire questo, gli autori usano una tecnica decisionale chiamata FUCA, che confronta tutte le strategie candidate simultaneamente invece di farlo solo a coppie. Arricchiscono FUCA con informazioni “fuzzy pitagoriche complesse”, un modo matematico per rappresentare non solo quanto gli esperti supportano o si oppongono a un’opzione, ma anche quanto esitano o sono incerti. In pratica, gli esperti descrivono ogni strategia usando semplici gradi verbali come “scarso”, “buono” o “molto buono” su criteri come capacità delle piste, carico di lavoro dei controllori, affidabilità delle infrastrutture, qualità delle previsioni, costo dei ritardi e rischio di congestione. Questi termini linguistici vengono tradotti in valori fuzzy che codificano sia l’accordo sia il dubbio, permettendo al metodo di rispettare le sfumature invece di imporre decisioni nette sì/no.

Da molte opzioni alle strategie migliori

Il quadro viene testato su uno studio di caso ricco con quattro tipi di esperti e quindici strategie realistiche per lo spazio aereo, che spaziano da settori terminali specifici a protocolli di decisione collaborativa e schemi avanzati di controllo del flusso. La rete neurale produce prima stime quantitative delle prestazioni di ciascuna strategia in condizioni incerte. FUCA poi fonde queste previsioni con le valutazioni fuzzy degli esperti, costruisce una tabella di punteggi combinata e classifica tutte le opzioni. I risultati evidenziano un piccolo gruppo di strategie costantemente forti: emerge come leader un particolare disegno di settore en-route, un protocollo di decisione collaborativa e una griglia di navigazione potenziata, mentre piani più rigidi o eccessivamente complessi finiscono in fondo alla classifica. Ampie analisi di sensibilità mostrano che queste graduatorie restano stabili anche quando l’influenza relativa degli esperti o l’importanza dei criteri variano in molti scenari, suggerendo che le raccomandazioni non sono eccessivamente fragili.

Come questo aiuta le decisioni reali nell’aviazione

Per confrontare il nuovo quadro con gli strumenti esistenti, gli autori lo mettono a confronto con diversi metodi concorrenti usati in ingegneria e pianificazione dei trasporti. Il loro approccio ibrido mostra una maggiore capacità di distinguere tra alternative simili, una migliore gestione dell’alta incertezza e graduatorie più stabili quando gli input cambiano. Per i manager e i regolatori, questo si traduce in un sistema di supporto alle decisioni in grado di fondere dati in tempo reale con l’esperienza umana, esplorare scenari what-if e mettere in luce strategie efficaci in un’ampia gamma di condizioni. Sebbene lo studio di caso sia ipotetico e lavori futuri debbano convalidare il modello su dati reali di traffico e su scale maggiori, la ricerca indica una via pratica: usare l’IA e il ragionamento fuzzy avanzato per guidare progettazione dello spazio aereo, pianificazione della capacità e gestione del traffico in un mondo in cui i cieli diventano sempre più affollati.

Citazione: 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

Parole chiave: capacità dello spazio aereo, previsione del traffico aereo, reti neurali, decisione fuzzy, gestione dell'aviazione