スタッキングアンサンブル学習とSHAP解析による出発便タクシーアウト時間の解釈可能な予測

滑走路上での時間が重要な理由

離陸を待って飛行機の中で座っている人なら、地上での余分な数分がどれほどイライラするかを知っています。煩わしさにとどまらず、離陸前の長い待機は燃料を浪費し、二酸化炭素の排出を増やし、その日のフライトスケジュール全体に波及します。本研究は、その「タクシーアウト」時間をより正確に、そして同時に空港スタッフがリアルタイムの意思決定で理解し信頼できる方法で予測することを目指します。

ゲート離脱から離陸までに何が起きるか

タクシーアウト時間は、航空機がゲートからプッシュバックしてから実際に離陸するまでの区間です。これは大きく二つの要素に依存します：空港の構造とその時点での混雑状況。著者らはタクシーアウト時間を「阻害されない（unimpeded）」部分—混雑がなければ合理的に最速で移動できる時間—と、列や他機との干渉による余分な遅延を表す「動的（dynamic）」部分に分けています。この分割により、どの要因が空港のレイアウト自体に結びつくか、どの要因が滑走路やタキシーウェイの混雑に関連するかを明確に問うことができます。

空港運用をデータに変える

研究チームは中国の深セン宝安国際空港からの詳細な記録を利用し、14日間の繁忙期における1万2千便超のデータを扱いました。空港の意思決定支援システムからゲート出発、着陸、プッシュバック、離陸の時刻を抽出し、異常値を除去する形でデータを整備しました。機体の複雑な地上動態を数値化した特徴量に変換し、具体的には、その機体のタキシー中に何機が離陸・着陸していたか、過去30分の平均タキシー時間、スタンドから滑走路までの移動距離、そしてスタンドや航空会社、機種ごとの歴史的な振る舞いなどを算出しました。これらの要素は、空域の固定的なレイアウトと常に変化する交通状況の双方を記述します。

層状の学習アプローチによる予測

単一の予測手法に頼る代わりに、本研究はスタッキングと呼ばれる手法を用いて複数の機械学習モデルをケーキの層のように組み合わせます。各ベースモデルがタクシーアウト時間を個別に推定し、最終的な「メタ」モデルがそれらの推定をどう混ぜ合わせるかを学びます。厳格な交差検証で訓練・評価したこの層状アプローチは、高い精度を達成しました：フライトの約41％が1分以内に予測され、96％以上が5分以内に収まっています。著者らは全体のタクシーアウト時間を一度に予測する単一方式と、阻害されない時間と余分な遅延を別々に予測する段階的アプローチを比較しました。全体一括の方法がわずかに精度で勝る一方、二段階の方法は異なる要因がタクシーの異なる部分にどう影響するかをより明瞭に示しました。

ブラックボックスを明瞭な説明で開く

安全性や容量に関する判断がかかる場面では、高精度だけでは不十分で、管制官はなぜモデルがその予測をしたのかを知る必要があります。これに対処するため、著者らはSHAPというツールを適用しました。SHAPは特定のフライトに対する予測タクシーアウト時間に、各入力要因がどれだけ寄与したかを割り当てます。これにより、出発・到着のキューに何機いるか、最近のタキシーがどれくらいかかっているかといった混雑関連の要因が余分な遅延部分を主に支配していることが明らかになります。一方で、スタンド位置、航空会社の慣習、タキシー距離といったインフラ関連の特徴は、基礎となる阻害されない時間を主に形作っています。相関チェックとSHAPスコアを組み合わせることで、チームは性能を損なうことなく有用性の低い入力を削減し、モデルを簡潔に保つことにも成功しました。

乗客と地球にとっての意義

率直に言えば、本研究はゲートのプッシュバックから離陸までに航空機が費やす時間を高精度で予測でき、その予測を空港の実務に即した形で説明できることを示しています。モデルはいつ飛行機が離陸しそうかを予測するだけでなく、到着キューの増加や同時プッシュバックの集中といった、余分な遅延を引き起こしている要因を浮き彫りにします。その洞察は空港がプッシュバック時刻を調整し、キューを管理し、アイドリングによる燃料消費を削減するための実践的な手段を与えます。旅行者にとっては滑走路上での不可解な待ち時間が減る可能性があり、航空会社や空港にとっては運用の円滑化と排出削減への道筋を提供します。

引用: 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

キーワード: タクシーアウト時間予測, 空港地上運用, 航空における機械学習, フライト遅延管理, 航空交通渋滞