Kalkış Uçuşlarının Taksi Süresinin Açıklanabilir Tahmini: Yığma Topluluk Öğrenmesi ve SHAP Analizi Kullanımı

Apronda Geçen Sürenin Neden Önemi Var

Kalkış için uçakta beklemiş olan herkes, yerde geçirilen fazladan dakikaların ne kadar sinir bozucu olabileceğini bilir. Sadece bir rahatsızlık değil; uzun beklemeler yakıt israfına yol açar, atmosfere daha fazla karbondioksit salar ve günün geri kalanındaki uçuş programını etkiler. Bu çalışma, bu "taksi-out" süresini daha doğru tahmin etmenin yollarını ve en az önemli olanı, havaalanı personelinin gerçek zamanlı karar verirken gerçekten anlayıp güvenebileceği şekilde açıklanabilir tahminler üretmenin yollarını inceliyor.

Kaptan Kabininden Kalkışa Kadar Neler Oluyor

Taksi-out süresi, bir uçağın kapıdan itiş yaptığı andan nihayet havalandığı ana kadar geçen aralıktır. Bu süre iki geniş öğeye bağlıdır: havaalanının fiziksel yapısı ve o anki yoğunluk. Yazarlar taksi-out süresini, tıkanıklık olmayan—uçak sahada hiçbir yoğunluk olmadan makul hızla ilerleyebileceği en hızlı—bir kısma ve kuyruklar ile diğer uçaklarla yaşanan çatışmalardan kaynaklanan ek gecikmeyi yakalayan "dinamik" bir kısmı olarak ayırıyor. Bu ayrım onlara basit bir soru sorma imkânı veriyor: hangi faktörler havaalanının yerleşimiyle, hangileri pistler ve taksi yollarındaki kalabalıkla ilişkili?

Havaalanı Operasyonlarını Veriye Dönüştürmek

Ekip, Çin’deki Shenzhen Bao’an Uluslararası Havalimanı’ndan 14 yoğun günü ve 12.000’den fazla uçuşu kapsayan ayrıntılı kayıtları kullandı. Havaalanının karar destek sisteminden kapı kalkışı, iniş, itiş ve kalkış zamanlarını çıkardı ve anormal değerleri temizledi. Uçakların yüzeydeki karmaşık hareketini sayısal özellikler kümesine dönüştürdüler: bir uçağın taksi yaptığı sırada kaç uçağın kalkış veya iniş yaptığı, son yarım saatte uçuşların ortalama ne kadar sürdüğü, uçağın park yerinden piste gitmesi gereken mesafe ve park yerleri, havayolları ile uçak tiplerinin tarihsel davranışları. Bu faktörler birlikte hem havaalanının sabit yerleşimini hem de sürekli değişen trafik durumunu tanımlar.

Tahmin İçin Katmanlı Bir Öğrenme Yaklaşımı

Tek bir tahmin yöntemine güvenmek yerine çalışma, yığma (stacking) adı verilen ve birkaç makine öğrenmesi modelini kekin katmanları gibi birleştiren bir teknik kullanıyor. Her temel model taksi-out süresi için kendi tahminini yapıyor; son bir "meta" model ise bu tahminleri nasıl en iyi harmanlayacağını öğreniyor. Sıkı çapraz doğrulama ile eğitilen ve test edilen bu katmanlı yaklaşım, en iyi düzeyde doğruluk sağladı: uçuşların yaklaşık yüzde 41’i bir dakika içinde ve yüzde 96’dan fazlası beş dakika içinde doğru tahmin edildi. Yazarlar ayrıca toplam taksi-out süresinin tek adımda tahmini ile engellenmemiş zaman ve ek gecikmeyi ayrı ayrı tahmin eden aşamalı bir yaklaşımı karşılaştırdı. Hepsi bir arada yöntem biraz daha doğruyken, iki aşamalı yöntem farklı faktörlerin taksinin farklı bölümlerini nasıl şekillendirdiğini daha net gösterdi.

Siyah Kutuyu Açmak: Açık Açıklamalar

Yüksek doğruluk tek başına güvenlik ve kapasite kararlarının söz konusu olduğu yerlerde yeterli değildir; kontrolörlerin bir modelin neden belirli bir tahmin yaptığını bilmeleri gerekir. Bunu ele almak için yazarlar SHAP adındaki bir aracı uyguluyor; bu araç her bir girdi faktörünün belirli bir uçuş için tahmin edilen taksi-out süresine katkısını atıyor. Bu, kalkış ve varış kuyruklarındaki uçak sayısı ve son taksilerin ne kadar sürdüğü gibi kalabalıkla ilgili faktörlerin ek gecikme kısmında baskın olduğunu ortaya koyuyor. Buna karşılık, park yeri konumu, havayolu alışkanlıkları ve taksi mesafesi gibi altyapı ile ilgili özellikler esas olarak temel engellenmemiş zamanı şekillendiriyor. Korelasyon kontrollerini SHAP puanlarıyla birleştirerek ekip, daha az yararlı girdileri de budayarak modeli daha basit tutuyor ve performanstan ödün vermiyor.

Yolcular ve Gezegen İçin Anlamı

Basitçe söylemek gerekirse, çalışma bir uçağın kapı itişinden kalkışa kadar ne kadar zaman geçireceğini yüksek doğrulukla tahmin edebileceğimizi ve bu tahminleri havaalanlarının gerçek işleyişiyle uyumlu biçimde açıklayabileceğimizi gösteriyor. Model sadece bir uçuşun ne zaman havalanacağını tahmin etmekle kalmıyor, aynı zamanda artan bir varış kuyruğu veya eşzamanlı itişlerin birikmesi gibi hangi faktörlerin ekstra gecikmeyi tetiklediğini de öne çıkarıyor. Bu içgörü, havaalanlarına itiş zamanlarını ayarlama, kuyrukları yönetme ve boşta yakılan yakıtı azaltma konusunda pratik bir yol sunuyor. Yolcular için bu, apronda daha az gizemli bekleyiş anlamına gelebilir; havayolları ve havaalanları için ise daha düzgün operasyonlar ve daha düşük emisyonlar yolunda bir fırsat sunar.

Atıf: 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

Anahtar kelimeler: taksi süresi tahmini, havaalanı yüzey operasyonları, havacılıkta makine öğrenmesi, uçuş gecikmesi yönetimi, hava trafiği yoğunluğu