Interpretowalne przewidywanie czasu taxi-out odlotów z zastosowaniem zespołu uczenia (stacking) i analizy SHAP

Dlaczego czas na płycie lotniska ma znaczenie

Kto kiedykolwiek siedział w samolocie czekając na start wie, jak irytujące mogą być te dodatkowe minuty na ziemi. Poza samą uciążliwością długie oczekiwania przed startem marnują paliwo, zwiększają emisję dwutlenku węgla i wywołują efekt domina w rozkładzie lotów na resztę dnia. Niniejsze badanie koncentruje się na tym, jak dokładniej przewidywać ten czas „taxi-out” i — co równie ważne — w sposób, który personel lotniska może rzeczywiście zrozumieć i zaufać mu przy podejmowaniu decyzji w czasie rzeczywistym.

Co się dzieje między odjazdem z bramki a startem

Czas taxi-out to okres pomiędzy odpychaniem się samolotu z bramki a jego oderwaniem się od ziemi. Zależy on od dwóch ogólnych składników: od konstrukcji lotniska oraz od jego bieżącego obciążenia. Autorzy rozdzielają czas taxi-out na część „niezakłóconą” — czyli najszybszy realistyczny czas przemieszczania się po płycie bez korków — oraz na część „dynamiczną”, która obejmuje dodatkowe opóźnienia wynikające z kolejek i konfliktów z innymi statkami powietrznymi. Ten podział pozwala postawić proste pytanie: które czynniki związane są z układem lotniska, a które z zatłoczeniem pasów i dróg kołowania?

Przekształcanie operacji lotniskowych w dane

Zespół wykorzystał szczegółowe zapisy z Międzynarodowego Portu Lotniczego Shenzhen Bao’an w Chinach, obejmujące 14 intensywnych dni i ponad 12 000 lotów. Z systemu wsparcia decyzji lotniska wydobyli czasy odlotu z bramki, lądowania, odpychania i startu, po czym oczyścili dane, aby usunąć wartości odstające. Złożony taniec samolotów na płycie zamienili na zestaw cech numerycznych: ile samolotów startowało lub lądowało podczas taxi danego lotu, jak długo w ostatniej pół godzinie trwały średnio taxi, jak daleko samolot musiał przejechać ze stanowiska do pasa oraz jak stanowiska, linie lotnicze i typy statków powietrznych zachowywały się na podstawie wzorców historycznych. Razem te czynniki opisują zarówno stały układ płyty lotniska, jak i ciągle zmieniający się obraz ruchu.

Wielowarstwowe podejście do predykcji

Zamiast polegać na jednej metodzie predykcyjnej, badanie wykorzystuje technikę zwaną stackingiem, która łączy kilka modeli uczenia maszynowego jak warstwy w cieście. Każdy model bazowy daje swoją prognozę czasu taxi-out; ostateczny model „meta” uczy się, jak najlepiej te prognozy połączyć. To warstwowe podejście, trenowane i testowane przy użyciu rygorystycznej walidacji krzyżowej, osiągnęło stan-of-the-art w dokładności: około 41 procent lotów przewidziano z dokładnością do jednej minuty, a ponad 96 procent w granicach pięciu minut. Autorzy porównali także jednoczasową prognozę całkowitego czasu taxi-out z podejściem fazowym, które przewiduje osobno czas niezakłócony i dodatkowe opóźnienie. Metoda „wszystko na raz” była nieco dokładniejsza, ale podejście dwufazowe lepiej pokazywało, jak różne czynniki kształtują różne części taxi.

Otwieranie czarnej skrzynki jasnymi wyjaśnieniami

Sama wysoka dokładność nie wystarcza, gdy w grę wchodzą decyzje dotyczące bezpieczeństwa i przepustowości; kontrolerzy muszą wiedzieć, dlaczego model daje konkretną prognozę. Aby to osiągnąć, autorzy zastosowali narzędzie SHAP, które przypisuje każdemu czynnikowi wejściowemu wkład w przewidywany czas taxi-out dla konkretnego lotu. Pokazuje to, że czynniki związane z zatłoczeniem — ile samolotów znajduje się w kolejkach odlotów i przylotów oraz jak długo trwały ostatnie przejazdy — dominują w części dotyczącej dodatkowych opóźnień. Natomiast cechy związane z infrastrukturą, takie jak lokalizacja stanowiska, zwyczaje linii lotniczych czy dystans taxi, głównie kształtują bazowy, niezakłócony czas. Łącząc sprawdzenia korelacji z wynikami SHAP, zespół odrzuca też mniej użyteczne wejścia, upraszczając model bez pogorszenia wydajności.

Co to oznacza dla podróżnych i planety

Mówiąc wprost, badanie pokazuje, że można z dużą precyzją przewidzieć, ile czasu samolot spędzi między odpychaniem z bramki a startem, oraz wyjaśnić te prognozy w sposób zgodny z praktyką lotniskową. Model nie tylko przewiduje, kiedy lot najprawdopodobniej oderwie się od ziemi, ale także wskazuje, które czynniki — na przykład rosnąca kolejka przylotów lub nagły wysyp jednoczesnych odpychań — powodują dodatkowe opóźnienia. Taka wiedza daje lotniskom praktyczne narzędzie do korekty czasu odpychania, zarządzania kolejkami i ograniczania niepotrzebnego spalania paliwa. Dla podróżnych może to oznaczać mniej tajemniczych oczekiwań na płycie; dla linii i operatorów lotnisk — szlak ku płynniejszym operacjom i niższej emisji.

Cytowanie: 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

Słowa kluczowe: predykcja czasu taxi-out, operacje na powierzchni lotniska, uczenie maszynowe w lotnictwie, zarządzanie opóźnieniami lotów, korki ruchu lotniczego