Inteligentne obliczeniowe ramy łączące sieci neuronowe z zespolonym pythagorejskim rozmytym FUCA do oceny przepustowości przestrzeni powietrznej i prognozowania ruchu

Dlaczego mądrzejsze niebo ma znaczenie

Każdy, kto przeczekał długie opóźnienie lotu, odczuł, jak kruche potrafi być nasze systemy podróży lotniczych. Za każdym startem i lądowaniem kryje się ciągły balans: ile samolotów niebo może bezpiecznie pomieścić, jak burze i zatłoczenie rozchodzą się w sieci oraz jak kontrolerzy i planiści żonglują sprzecznymi priorytetami. W artykule przedstawiono nowy sposób wspierania tych decyzji poprzez połączenie sztucznej inteligencji z zaawansowaną metodą łączenia ocen ekspertów, mający na celu utrzymanie podróży lotniczych bezpieczniejszymi, płynniejszymi i bardziej przewidywalnymi nawet w warunkach niepewności.

Rozumienie zatłoczonego, zmieniającego się nieba

Współczesny ruch lotniczy stał się tak gęsty i złożony, że tradycyjne narzędzia planistyczne — oparte na stałych regułach lub prostych średnich — mają trudności, by nadążyć. Przepustowość przestrzeni powietrznej to w istocie maksymalna liczba statków powietrznych, które mogą bezpiecznie przemieszczać się przez dany obszar w zmieniających się warunkach: od zatłoczonych pasów startowych, przez przeciążonych kontrolerów, po podatny na awarie sprzęt nawigacyjny. Prognozowanie ruchu stara się przewidzieć, kiedy i gdzie samoloty będą się gromadzić, aby zapobiegać kongestiom zanim się pojawią. Oba zadania są naznaczone niepewnością: pogoda może się zmienić, popyt może nagle wzrosnąć, a eksperci mogą nie zgadzać się co do ryzyka. Autorzy argumentują, że skuteczne zarządzanie wymaga teraz narzędzi, które potrafią radzić sobie z nieuporządkowanymi, niepełnymi informacjami, nie udając, że wszystko jest precyzyjnie znane.

Nauczanie komputerów uczenia się na przeszłości

W sercu proponowanego systemu znajduje się sieć neuronowa — model uczenia maszynowego, który wyłapuje wzorce z danych historycznych. Sieć przyjmuje rekordy takie jak liczby samolotów, zajętość sektorów, warunki pogodowe i historie opóźnień z różnych lotnisk i scenariuszy operacyjnych. Uczy się wtedy przewidywać, jak dane zorganizowanie przestrzeni powietrznej może się zachować: ile ruchu może bezpiecznie obsłużyć, jak duże mogą być obciążenia pracy kontrolerów i jak prawdopodobne jest wystąpienie kongestii w różnych warunkach. Zamiast polegać wyłącznie na uprzednio zdefiniowanych regułach, system adaptuje się do złożonego, nieliniowego zachowania obserwowanego w realnych operacjach, wychwytując relacje, które mogą być zbyt subtelne lub splątane, by ludzie mogli je bezpośrednio wyliczyć.

Przekształcanie rozmytych opinii w klarowne rankingi

Samo liczby nie odzwierciedlają wszystkiego, co ma znaczenie w lotnictwie. Oceny ekspertów — dotyczące marginesów bezpieczeństwa, odporności na złe warunki pogodowe czy wykonalności określonych strategii sterowania — są nieuchronnie nieostre i czasem sprzeczne. Aby to obsłużyć, autorzy stosują technikę podejmowania decyzji zwaną FUCA, która porównuje jednocześnie wszystkie kandydackie strategie, zamiast robić to tylko parami. Wzbogacają FUCA o „zespolone pythagorejskie rozmyte” informacje, matematyczny sposób reprezentowania nie tylko stopnia poparcia lub sprzeciwu ekspertów wobec opcji, lecz także ich wahania czy niepewności. W praktyce eksperci opisują każdą strategię za pomocą prostych stopni słownych, takich jak „słabe”, „dobre” lub „bardzo dobre” w kryteriach takich jak przepustowość pasów startowych, obciążenie kontrolerów, niezawodność infrastruktury, jakość prognoz, koszty opóźnień i ryzyko kongestii. Terminy te są tłumaczone na wartości rozmyte kodujące zarówno zgodę, jak i wątpliwość, co pozwala metodzie zachować niuanse zamiast forsować ostre decyzje tak/nie.

Od wielu opcji do najlepszych strategii

Ramy testowano na rozbudowanym studium przypadku z czterema typami ekspertów i piętnastoma realistycznymi strategiami przestrzeni powietrznej, obejmującymi od konkretnych sektorów terminalowych po protokoły współdecydowania i zaawansowane schematy kontroli przepływu. Sieć neuronowa najpierw generuje ilościowe szacunki wydajności każdej strategii w niepewnych warunkach. FUCA następnie łączy te prognozy z rozmytymi ocenami ekspertów, buduje połączoną tabelę wyników i klasyfikuje wszystkie opcje. Wyniki uwypuklają kilka konsekwentnie silnych strategii: określony projekt sektora przelotowego, protokół współdecydowania i udoskonalona siatka nawigacyjna wychodzą na prowadzenie, podczas gdy bardziej sztywne lub nadmiernie skomplikowane plany spadają na dół. Obszerne analizy wrażliwości pokazują, że te rankingi pozostają stabilne nawet wtedy, gdy względny wpływ ekspertów lub znaczenie kryteriów jest zmieniane w wielu scenariuszach, co sugeruje, że rekomendacje nie są nadmiernie kruche.

Jak to pomaga w rzeczywistych decyzjach lotniczych

Aby porównać nowe ramy z istniejącymi narzędziami, autorzy zestawili je z kilkoma konkurencyjnymi metodami używanymi w inżynierii i planowaniu transportu. Ich hybrydowe podejście wykazuje lepszą zdolność rozróżniania podobnych alternatyw, lepsze radzenie sobie z dużą niepewnością i stabilniejsze rankingi przy zmianie danych wejściowych. Dla menedżerów i regulatorów przekłada się to na system wspomagania decyzji, który potrafi łączyć dane na żywo z doświadczeniem ludzi, eksplorować scenariusze „co jeśli” i wskazywać strategie skuteczne w szerokim zakresie warunków. Choć studium przypadku jest hipotetyczne i przyszłe prace będą musiały zweryfikować model na rzeczywistych danych ruchu i na większą skalę, badanie wskazuje praktyczną ścieżkę: wykorzystanie AI i zaawansowanego rozmytego wnioskowania do kształtowania projektów przestrzeni powietrznej, planowania przepustowości i zarządzania ruchem w świecie, w którym niebo staje się coraz bardziej zatłoczone.

Cytowanie: 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

Słowa kluczowe: przepustowość przestrzeni powietrznej, prognozowanie ruchu lotniczego, sieci neuronowe, rozmyte podejmowanie decyzji, zarządzanie lotnictwem