Интеллектуальная вычислительная платформа, сочетающая нейронные сети с комплексной пифагоровской нечеткой FUCA для оценки пропускной способности воздушного пространства и прогнозирования трафика

Почему важны более умные небеса

Тот, кто переживал долгую задержку рейса, знает, насколько хрупкой может быть наша система воздушных перевозок. За каждым взлётом и посадкой стоит постоянный баланс: сколько самолётов небо может безопасно вместить, как бури и перегрузки распространяются по сети и как диспетчеры и планировщики жонглируют конфликтующими приоритетами. В этой статье представлен новый подход к поддержке таких решений, объединяющий искусственный интеллект с продвинутым методом объединения экспертных оценок, чтобы сделать воздушные путешествия безопаснее, плавнее и более предсказуемыми даже в условиях неопределённости.

Понимание загруженного и меняющегося неба

Современное воздушное движение стало настолько плотным и сложным, что традиционные инструменты планирования — основанные на фиксированных правилах или простых усреднениях — с трудом справляются. Пропускная способность воздушного пространства по сути — это максимальное число воздушных судов, которые можно безопасно переместить через регион в меняющихся условиях: от загруженных ВПП до перегруженных диспетчеров и нестабильного навигационного оборудования. Прогнозирование трафика пытается предсказать, когда и где самолёты будут сгущаться, чтобы предотвратить перегрузки до их появления. Обе задачи пронизаны неопределённостью: погода может измениться, спрос может резко вырасти, а эксперты могут расходиться во мнениях о рисках. Авторы утверждают, что эффективное управление требует инструментов, способных работать с грязной, неполной информацией, не делая вид, что всё известно точно.

Обучение компьютеров извлекать уроки из прошлого

В основе предложённой платформы лежит нейронная сеть — модель машинного обучения, которая выявляет закономерности в исторических данных. Сеть получает записи, такие как количество самолётов, занятость секторов, погодные условия и история задержек в разных аэропортах и операционных сценариях. Затем она учится предсказывать, как та или иная организация воздушного пространства будет работать: сколько трафика можно безопасно пропустить, насколько возрастёт рабочая нагрузка диспетчеров и какова вероятность перегрузки в различных условиях. Вместо того чтобы полагаться только на заранее прописанные правила, система адаптируется к сложному, нелинейному поведению реальных операций, улавливая взаимосвязи, слишком тонкие или запутанные, чтобы люди могли формализовать их напрямую.

Преобразование нечетких мнений в чёткие ранжирования

Однако одни лишь числа не отражают всего, что важно в авиации. Экспертные суждения — о запасах прочности, устойчивости к плохой погоде или практичности тех или иных стратегий управления — неизбежно размыты и порой противоречивы. Для работы с этим авторы используют технику принятия решений FUCA, которая сравнивает все кандидатные стратегии одновременно, а не попарно. Они обогащают FUCA «комплексной пифагоровской нечеткой» информацией — математическим способом представить не только степень поддержки или несогласия экспертов с вариантом, но и степень их колебаний или неопределённости. На практике эксперты оценивают каждую стратегию простыми вербальными градациями, такими как «плохо», «хорошо» или «очень хорошо», по критериям вроде пропускной способности ВПП, нагрузки диспетчеров, надёжности инфраструктуры, качества прогнозов, стоимости задержек и риска перегрузок. Эти языковые термины переводятся в нечеткие значения, кодирующие как согласие, так и сомнение, что позволяет методу учитывать нюансы вместо навязывания чётких решений «да/нет».

От множества вариантов к лучшим стратегиям

Платформу опробовали на содержательном кейс-исследовании с четырьмя типами экспертов и пятнадцатью реалистичными стратегиями управления воздушным пространством — от конкретных схем терминальных секторов до протоколов совместного принятия решений и продвинутых схем управления потоками. Нейронная сеть сперва генерирует количественные оценки производительности каждой стратегии в условиях неопределённости. FUCA затем объединяет эти предсказания с экспертными нечеткими оценками, формирует сводную таблицу баллов и ранжирует все варианты. Результаты выявляют несколько постоянно сильных стратегий: определённая схема маршрутизации в эшелоне, протокол совместного принятия решений и усовершенствованная навигационная сетка выходят в лидеры, тогда как более жёсткие или чрезмерно сложные планы оказываются в конце списка. Обширный анализ чувствительности показывает, что эти ранжирования остаются стабильными даже при изменении относительного влияния экспертов или значимости критериев в различных сценариях, что указывает на устойчивость рекомендаций.

Как это помогает реальным авиационным решениям

Чтобы оценить, как новая платформа сопоставима с существующими инструментами, авторы протестировали её против нескольких конкурирующих методов, используемых в инженерии и транспортном планировании. Их гибридный подход показал лучшую способность различать сходные альтернативы, более корректную работу при высокой неопределённости и более стабильные ранжирования при изменении входных данных. Для менеджеров и регуляторов это означает систему поддержки решений, которая может сочетать живые данные с человеческим опытом, моделировать сценарии «что если» и выделять стратегии, остающиеся эффективными в широком диапазоне условий. Хотя кейс-исследование носит гипотетический характер и дальнейшая работа должна проверить модель на реальных данных трафика и в больших масштабах, исследование указывает на практический путь: использование ИИ и продвинутой нечеткой логики для руководства проектированием воздушного пространства, планированием пропускной способности и управлением трафиком в мире, где небо становится всё более загруженным.

Цитирование: 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

Ключевые слова: пропускная способность воздушного пространства, прогнозирование воздушного движения, нейронные сети, нечеткое принятие решений, авиационное управление