Моделирование распространения риска на перронах аэропорта на основе динамического причинно‑следственного взвешивания

Почему риски на взлётно‑посадочных полосах важны для каждого, кто летает

Большинство авиапассажиров ассоциируют безопасность с взлётом и посадкой, но удивительно много аварий и инцидентов почти‑столкновения происходят во время руления, пересечения ВПП или ожидания очереди на вылет. Эти оживлённые «зоны движения» — место встречи пилотов, наземной техники, диспетчеров, оборудования, погоды и процедур. Небольшие неполадки — неверно услышанная команда, скользкая рулёжная дорожка, запутанный указатель — могут сцепиться и вылиться в серьёзный инцидент. В этом исследовании ставится практический вопрос с большими последствиями: можно ли, используя данные из реальной практики и современные алгоритмы обучения, увидеть, как такие риски накапливаются и распространяются, чтобы успеть их остановить?

Много мелких проблем — одна запутанная сеть

Авторы исходят из идеи, что поверхность аэропорта — это плотная сеть причин и следствий, а не простая цепочка ошибок. Опираясь на 2 795 реальных инцидентов в аэропортах США и Китая в 2008–2021 гг., они каталогизировали всё, что способствовало каждому событию: человеческие промахи, отказы оборудования, погодные факторы, плохая разметка, управленческие проблемы и др. С помощью инструментов анализа текста в описаниях инцидентов и авиационной таксономии для тренинга они выделили первоначальный список из 98 возможных факторов. Затем применили усовершенствованный метод «серой корреляции» — способ проверить, насколько тесно факторы и происшествия меняются во времени — чтобы отфильтровать слабые связи. Этот этап отсекания оставил 63 фактора, которые постоянно имеют значение: от низкой видимости и сложной компоновки ВПП до радиокоммуникационных сбоев и задержек в обслуживании.

Преобразование инцидентов в живую карту риска

Из этих 63 составляющих команда построила сеть, имитирующую, как неприятности действительно распространяются по аэродрому. Каждый фактор становится узлом, а стрелки между узлами представляют то, как одна проблема делает другую более вероятной — например, высокая нагрузка на диспетчера ведёт к задержкам в инструкциях, которые, в свою очередь, создают условия для вторжения на ВПП. В отличие от многих ранних моделей, где все узлы считаются одинаковыми, эта сеть различает типы поведения. Некоторые узлы накапливают риск до тех пор, пока не будет превышен порог, например постепенно ухудшающийся отказ оборудования. Другие действуют как тормоза — перекрёстные проверки и процедуры мониторинга, которые могут поглощать и ослаблять проблемы. Модель также признаёт разные формы взаимодействия: прямые цепочки, ветвящиеся деревья, где одна проблема порождает несколько других, и сходящиеся пути, где несколько мелких проблем объединяются в одну крупную угрозу.

Обучающаяся модель, которая адаптируется к аэропорту

Построение карты — лишь половина дела; настоящая сложность в том, что аэропорты не статичны. Интенсивность трафика, штаты, технологии и процедуры меняются со временем, изменяя силу влияния одного фактора на другой. Чтобы уловить это, авторы создали модель «ёмкость‑нагрузка» с динамическими весами на каждой стрелке. Каждый узел имеет ёмкость — сколько стресса он может выдержать — и меняющуюся нагрузку — сколько риска он в данный момент несёт. Когда нагрузка превышает ёмкость, узел «отказывается» и передаёт риск дальше. Размер этого перелива регулируется временным весом, который обучается специализированным алгоритмом, названным причинно‑свёрточным усиленным обучением (causal convolutional reinforcement learning, CCRL). Алгоритм извлекает шаблоны из исторических последовательностей инцидентов, а затем постоянно корректирует силу связей по мере поступления новых данных. В режиме реального времени система принимает текущие данные о трафике, погоде и операциях, обновляет веса менее чем за десятую долю секунды и пересчитывает, как риск вероятнее всего распространится по поверхности.

Поиск слабых звеньев, которые действительно важны

Чтобы оценить полезность подхода, исследователи сравнили свою динамическую модель с устоявшимися инструментами, такими как динамические байесовские сети, векторная авторегрессия и временные графовые нейронные сети. По точности предсказания инцидентов их метод показал наилучшие результаты, слегка опережая глубокое обучение, оставаясь при этом более интерпретируемым. Они определили три практических индикатора: Индекс воздействия риска узла (Node Risk Impact Index), показывающий, сколько проблем может вызвать отдельный фактор; Индекс структурной устойчивости (Structural Robustness Index), измеряющий, насколько легко сеть разваливается при «атаке» в определённой точке; и Индекс диффузии сети (Network Diffusion Index), суммирующий, насколько широко могут распространяться отказы. Эти меры выявили некоторые неочевидные выводы. Такие факторы, как определённые отказы оборудования или сбои в коммуникациях, которые не находятся на очевидных «хабах» сети, тем не менее могут спровоцировать большие каскады. Напротив, некоторые высокосвязанные узлы оказываются относительно безобидными.

Что это значит для более безопасных и плавных полётов

Для операторов аэропортов и регуляторов результат — более разумный способ расставлять приоритеты ограниченных ресурсов безопасности. Когда команда смоделировала разные стратегии контроля, случайное укрепление узлов или фокус только на самых связанных давало лишь умеренное сокращение распространения риска. Но таргетирование узлов, которые их индикаторы отмечали как действительно высоко‑влиятельные, сократило индекс диффузии риска модели примерно на одну пятую. Проще говоря, работа показывает, что безопасность на поверхности — это не просто добавление новых правил или увеличение штата; это понимание того, какие конкретные сочетания людей, машин, среды и надзора склонны превращать обычные дни в плохие, и укрепление этих мест до того, как проблемы разрастутся. По мере того как в такие адаптивные модели будут поступать более детализированные данные, аэропорты смогут переходить от реакции на инциденты к их предвосхищению — тихо делая наземную фазу полёта такой же безопасной и беспроблемной, как пассажиры уже привыкли ожидать время в воздухе.

Цитирование: Wu, W., Lin, J., Wei, M. et al. Dynamic causal weighting-based risk propagation modeling for airport movement areas. Sci Rep 16, 5249 (2026). https://doi.org/10.1038/s41598-026-36059-3

Ключевые слова: безопасность аэропорта, риск на ВПП, авиационные происшествия, распространение риска, усиленное обучение