Интерпретируемое предсказание времени руления перед взлётом с использованием стекинга ансамблевых моделей и анализа SHAP

Почему время на взлётно-посадочной полосе имеет значение

Тот, кто когда-либо сидел в самолёте и ждал взлёта, знает, насколько раздражительны эти дополнительные минуты на земле. Помимо неудобства, долгие ожидания перед взлётом расходуют топливо, увеличивают выбросы углекислого газа и оказывают каскадное влияние на расписание рейсов на весь оставшийся день. В этом исследовании рассматривается, как точнее прогнозировать время руления перед взлётом и, не менее важно, как делать это так, чтобы персонал аэропорта мог понять и доверять прогнозам при принятии решений в реальном времени.

Что происходит между выходом от гейта и взлётом

Время руления — это интервал между тем моментом, когда самолёт отталкивается от гейта, и тем, когда он наконец набирает высоту. На него влияют два основных фактора: конструкция аэропорта и его загруженность в данный момент. Авторы разделяют время руления на «неограниченную» часть — насколько быстро самолёт мог бы теоретически проехать по аэродрому без задержек — и «динамическую» часть, которая отражает дополнительные задержки из‑за очередей и конфликтов с другими самолётами. Такое разделение позволяет задать простой вопрос: какие факторы связаны с планировкой аэропорта, а какие — с загруженностью взлётно-посадочных полос и рулёжных дорожек?

Преобразование операций аэропорта в данные

Команда использовала подробные записи из Международного аэропорта Шэньчжэнь Баоань в Китае, охватывающие 14 загруженных дней и более 12 000 рейсов. Из системы поддержки принятия решений аэропорта они извлекли времена вылета от гейта, посадки, отталкивания и взлёта, затем очистили данные от аномалий. Они преобразовали сложную «поверхностную» динамику самолётов в набор числовых признаков: сколько самолётов взлетало или садилось в период руления данного борта, как долго в среднем длились руления за последние полчаса, какое расстояние нужно было пройти от стоянки до полосы, а также как складывались исторические шаблоны поведения стоянок, авиакомпаний и типов воздушных судов. В совокупности эти факторы описывают как фиксированную конфигурацию аэродрома, так и постоянно меняющуюся картину трафика.

Многоуровневый подход к предсказанию

Вместо того чтобы полагаться на единственную модель предсказания, исследование использует технику, называемую стекингом, которая объединяет несколько моделей машинного обучения как слои в торте. Каждая базовая модель даёт свою оценку времени руления; затем финальная «мета»-модель учится оптимально комбинировать эти оценки. Этот многоуровневый подход, обученный и протестированный с жёсткой кросс‑валидацией, показал передовую точность: примерно 41 процент рейсов был предсказан с погрешностью до одной минуты, и более 96 процентов — в пределах пяти минут. Авторы также сравнили разовый прогноз общего времени руления с поэтапным подходом, который отдельно предсказывает неограниченную часть и дополнительную задержку. Метод «всё сразу» оказался немного точнее, но двухфазный подход яснее показал, какие факторы влияют на разные составляющие времени руления.

Открывая «чёрный ящик» понятными объяснениями

Высокая точность сама по себе недостаточна, когда на кону стоят решения по безопасности и пропускной способности; диспетчеры должны понимать, почему модель даёт то или иное предсказание. Чтобы решить эту задачу, авторы применяют инструмент SHAP, который для каждого входного фактора оценивает его вклад в предсказанное время руления для конкретного рейса. Это показывает, что факторы, связанные с загруженностью — сколько самолётов в очередях на вылет и прилёт и как долго длились недавние руления — доминируют в дополнительной задержке. Напротив, инфраструктурные признаки, такие как расположение стоянки, привычки авиакомпаний и расстояние руления, в основном определяют базовое неограниченное время. Объединив проверки корреляций с SHAP‑оценками, команда также устраняет менее полезные входы, упрощая модель без потери качества прогнозов.

Что это значит для пассажиров и планеты

Проще говоря, исследование демонстрирует, что можно с высокой точностью прогнозировать, сколько времени самолёт проведёт между отталкиванием от гейта и взлётом, и при этом объяснять эти прогнозы в терминах, соответствующих реальной работе аэропорта. Модель не только предсказывает, когда рейс, скорее всего, взлетит, но и показывает, какие факторы — например растущая очередь на прилёт или всплеск одновременных отталкиваний — вызывают дополнительные задержки. Эти знания дают аэропортам практические инструменты для корректировки времени отталкивания, управления очередями и сокращения холостого расхода топлива. Для путешественников это может означать меньше туманных ожиданий на полосе; для авиакомпаний и аэропортов — путь к более плавной работе и снижению выбросов.

Цитирование: 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

Ключевые слова: прогноз времени руления, операции на поверхности аэропорта, машинное обучение в авиации, управление задержками рейсов, скопление воздушного движения