Een intelligent computationeel kader dat neurale netwerken combineert met complex Pythagorees fuzzy FUCA voor evaluatie van luchtruimcapaciteit en verkeersvoorspelling

Waarom slimmer luchtruim ertoe doet

Wie ooit een lange vluchtvertraging heeft meegemaakt, weet hoe kwetsbaar ons luchtreissysteem kan zijn. Achter iedere start en landing ligt een voortdurende balans: hoeveel vliegtuigen kan het luchtruim veilig verdragen, hoe verspreiden stormen en congestie zich door het netwerk, en hoe wegen verkeersleiders en planners tegenstrijdige prioriteiten tegen elkaar af. Dit artikel presenteert een nieuwe manier om die beslissingen te ondersteunen door kunstmatige intelligentie te combineren met een verfijnde methode om deskundig oordeel samen te voegen, met als doel het luchtverkeer veiliger, soepeler en voorspelbaarder te houden, zelfs onder onzekere omstandigheden.

Een druk en veranderlijk luchtruim doorgronden

Het moderne luchtverkeer is zo dicht en complex geworden dat traditionele planningsinstrumenten—gebaseerd op vaste regels of eenvoudige gemiddelden—het vaak niet meer bijhouden. Luchtruimcapaciteit is in essentie het maximale aantal vliegtuigen dat onder veranderende omstandigheden veilig door een gebied kan bewegen, van drukke start- en landingsbanen tot overbelaste verkeersleiders en kwetsbare navigatieapparatuur. Verkeersvoorspelling probeert te voorspellen wanneer en waar vliegtuigen zich zullen concentreren, zodat congestie kan worden voorkomen voordat die ontstaat. Beide taken zitten vol onzekerheid: het weer kan omslaan, de vraag kan plotseling stijgen en experts kunnen van mening verschillen over risico’s. De auteurs betogen dat effectief beheer nu hulpmiddelen nodig heeft die onvolledige en rommelige informatie kunnen verwerken zonder te doen alsof alles precies bekend is.

Computers leren van het verleden

Centraal in het voorgestelde kader staat een neuraal netwerk, een machine learning-model dat patronen leert uit historische data. Het netwerk verwerkt datasets zoals aantallen vliegtuigen, sectorbezetting, weersomstandigheden en vertraginggeschiedenissen van verschillende luchthavens en bedrijfsscenario’s. Vervolgens leert het te voorspellen hoe een bepaalde wijze van luchtruimorganisatie waarschijnlijk zal presteren: hoeveel verkeer het veilig kan verwerken, hoe zwaar de werklast voor verkeersleiders kan worden en hoe waarschijnlijk congestie is onder uiteenlopende omstandigheden. In plaats van uitsluitend te vertrouwen op vooraf bedachte regels past het systeem zich aan aan het complexe, niet-lineaire gedrag dat in de praktijk wordt waargenomen en legt het verbanden vast die voor mensen te subtiel of te verward zijn om direct te kwantificeren.

Vage meningen omzetten in duidelijke rangorden

Cijfers alleen vatten echter niet alles wat van belang is in de luchtvaart. Deskundige oordelen—over veiligheidsmarges, weerbestendigheid of de haalbaarheid van bepaalde controlemethoden—zijn onvermijdelijk vaag en soms tegenstrijdig. Om dit aan te pakken gebruiken de auteurs een besluitvormingstechniek die FUCA heet, die alle kandidaatstrategieën gelijktijdig vergelijkt in plaats van alleen paargewijs. Ze verrijken FUCA met “complex Pythagorees fuzzy”-informatie, een wiskundige manier om niet alleen vast te leggen hoeveel experts een optie steunen of afwijzen, maar ook hoe aarzelend of onzeker ze zijn. In de praktijk beschrijven experts elke strategie met eenvoudige verbale kwalificaties zoals “slecht”, “goed” of “zeer goed” op criteria als runway-throughput, werklast voor verkeersleiders, infrastructuurbetrouwbaarheid, kwaliteit van de voorspellingen, kosten van vertragingen en congestierisico. Deze linguïstische termen worden omgezet in fuzzy waarden die zowel instemming als twijfel coderen, waardoor de methode nuance respecteert in plaats van te dwingen tot strikte ja–nee-besluiten.

Van vele opties naar de beste strategieën

Het kader wordt getest met een rijke casestudie met vier typen experts en vijftien realistische luchtruimstrategieën, variërend van specifieke terminalsectoren tot samenwerkingsprotocollen en geavanceerde stroomsregelingsschema’s. Het neuraal netwerk produceert eerst kwantitatieve prestatie-schattingen voor elke strategie onder onzekere condities. FUCA voegt deze voorspellingen vervolgens samen met de vage beoordelingen van experts, bouwt een gecombineerde scoretabel en rangschikt alle opties. De resultaten wijzen een handvol consequent sterke strategieën aan: een specifiek ontwerp van een en-route sector, een protocol voor gezamenlijke besluitvorming en een verbeterd navigatienetwerk komen als koplopers naar voren, terwijl strakkere of te complexe plannen onderaan belanden. Uitgebreide gevoeligheidsanalyses tonen dat deze rangschikkingen stabiel blijven, zelfs wanneer de relatieve invloed van experts of het belang van criteria over veel scenario’s wordt gevarieerd, wat suggereert dat de aanbevelingen niet al te kwetsbaar zijn.

Hoe dit helpt bij beslissingen in de praktijk

Om te laten zien hoe het nieuwe kader zich verhoudt tot bestaande middelen, benchmarken de auteurs het tegen verschillende concurrerende methoden die in engineering en vervoersplanning worden gebruikt. Hun hybride benadering toont een grotere capaciteit om vergelijkbare alternatieven te onderscheiden, beter omgaan met hoge onzekerheid en stabielere ranglijsten wanneer inputs veranderen. Voor managers en toezichthouders vertaalt dit zich naar een besluitondersteunend systeem dat live data kan combineren met menselijke ervaring, what-if-scenario’s kan verkennen en strategieën kan aanwijzen die onder veel verschillende omstandigheden effectief blijven. Hoewel de casestudie hypothetisch is en toekomstig werk het model op echte verkeersdata en op grotere schaal zal moeten valideren, wijst het onderzoek op een praktische weg: AI en geavanceerde fuzzy-redenering gebruiken om luchtruimontwerp, capaciteitsplanning en verkeersbeheer te sturen in een wereld waarin het luchtruim alleen maar drukker wordt.

Bronvermelding: 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

Trefwoorden: luchtruimcapaciteit, luchtverkeersvoorspelling, neurale netwerken, vage besluitvorming, aviatiemanagement