Interpreteerbare voorspelling van taxi-out-tijd voor vertrekvluchten met stacking-ensembleleer en SHAP-analyse

Waarom tijd op het platform ertoe doet

Wie ooit in een vliegtuig heeft gezeten dat wachtte om op te stijgen weet hoe frustrerend die extra minuten op de grond kunnen zijn. Naast ergernis betekenen lange wachttijden voor vertrek verspild brandstof, meer uitstoot van kooldioxide en verstoring van het vluchtschema voor de rest van de dag. Deze studie onderzoekt hoe die "taxi-out"-tijd nauwkeuriger voorspeld kan worden en, minstens zo belangrijk, op een manier die luchthavenpersoneel in realtime kan begrijpen en vertrouwen bij het nemen van beslissingen.

Wat er gebeurt tussen wegduwen van de gate en het opstijgen

Taxi-out-tijd is de periode tussen het wegduwen van de gate en het daadwerkelijke opstijgen. Het hangt van twee brede componenten af: de fysieke inrichting van de luchthaven en hoe druk het op dat moment is. De auteurs splitsen de taxi-out-tijd in een "onbelemmerd" deel—de snelste tijd waarin een vliegtuig redelijkerwijs over het platform zou kunnen bewegen zonder congestie—en een "dynamisch" deel dat extra vertraging door wachtrijen en conflicten met andere vliegtuigen vastlegt. Deze scheiding stelt hen in staat een eenvoudige vraag te stellen: welke factoren zijn verbonden met de lay-out van de luchthaven zelf, en welke met drukte op start- en taxibanen?

Het omzetten van luchthavenoperaties naar data

Het team gebruikte gedetailleerde gegevens van Shenzhen Bao’an International Airport in China, over 14 drukke dagen en meer dan 12.000 vluchten. Uit het beslissing-ondersteuningssysteem van de luchthaven haalden ze tijden voor gatevertrek, landing, pushback en take-off, en schonen ze de data om abnormale waarden te verwijderen. Ze zetten het complexe oppervlakgedrag van vliegtuigen om in een reeks numerieke kenmerken: hoeveel vliegtuigen er aan het opstijgen of landen waren tijdens de taxi van een specifiek vliegtuig, hoe lang taxi’s gemiddeld duurden in het laatste halfuur, hoe ver het vliegtuig van zijn standplaats naar de startbaan moest reizen, en hoe stands, luchtvaartmaatschappijen en vliegtuigtypen zich historisch gezien gedroegen. Samen beschrijven deze factoren zowel de vaste inrichting van het platform als het continu veranderende verkeersbeeld.

Een gelaagde leerbenadering voor voorspelling

In plaats van te vertrouwen op één voorspellingsmethode gebruikt de studie een techniek genaamd stacking, die meerdere machine-learningmodellen combineert als lagen in een taart. Elk basismodel doet een eigen schatting van de taxi-out-tijd; een laatste "meta"-model leert vervolgens hoe die schattingen het beste te mengen. Deze gelaagde aanpak, getraind en getest met rigoureuze kruisvalidatie, behaalde state-of-the-art nauwkeurigheid: ongeveer 41 procent van de vluchten werd binnen een minuut correct voorspeld, en meer dan 96 procent binnen vijf minuten. De auteurs vergeleken ook de éénmalige voorspelling van de totale taxi-out-tijd met een gefaseerde aanpak die onbelemmerde tijd en extra vertraging afzonderlijk voorspelt. De alles-in-één-methode was iets nauwkeuriger, maar de tweefasenmethode maakte beter zichtbaar hoe verschillende factoren verschillende delen van de taxi beïnvloeden.

De black box openen met duidelijke verklaringen

Hoge nauwkeurigheid alleen is niet genoeg wanneer beslissingen over veiligheid en capaciteit op het spel staan; verkeersleiders moeten weten waarom een model een bepaalde voorspelling doet. Om dit aan te pakken passen de auteurs een hulpmiddel toe genaamd SHAP, dat elke invoervariant een bijdrage toekent aan de voorspelde taxi-out-tijd voor een specifieke vlucht. Dit toont aan dat factoren gerelateerd aan drukte—hoeveel vliegtuigen zich in de vertrek- en aankomstwachtrijen bevinden en hoe lang recente taxi’s hebben geduurd—de dynamische vertraging domineren. Daarentegen vormen infrastructurele kenmerken zoals standplaats, gedragspatronen van luchtvaartmaatschappijen en taxiafstand vooral de basis onbezwaarde tijd. Door correlatiecontroles te combineren met SHAP-scores schraapt het team ook minder nuttige invoervelden weg, waardoor het model eenvoudiger blijft zonder in te boeten op prestaties.

Wat dit betekent voor passagiers en de planeet

Kort gezegd toont de studie aan dat we met hoge precisie kunnen voorspellen hoe lang een vliegtuig tussen gate-pushback en opstijgen zal doorbrengen, en die voorspellingen kunnen uitleggen op een manier die overeenkomt met hoe luchthavens daadwerkelijk werken. Het model voorspelt niet alleen wanneer een vlucht waarschijnlijk de grond zal verlaten, het maakt ook duidelijk welke factoren—zoals een groeiende aankomstwachtrij of een piek aan gelijktijdige pushbacks—extra vertraging veroorzaken. Die inzichten geven luchthavens praktische middelen om pushback-tijden aan te passen, wachtrijen te beheren en brandstofverbruik tijdens stilstand te beperken. Voor reizigers kan dat minder onverklaarbare wachttijden op het platform betekenen; voor luchtvaartmaatschappijen en luchthavens biedt het een route naar soepelere operaties en lagere emissies.

Bronvermelding: 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

Trefwoorden: voorspelling taxi-out-tijd, operaties op het luchthaventerrein, machine learning in de luchtvaart, beheer van vluchtvertragingen, luchtverkeerscongestie