Sinir ağlarını karmaşık Pisagor bulanık FUCA ile birleştiren akıllı hesaplamalı çerçeve: hava sahası kapasitesi değerlendirmesi ve trafik tahmini

Neden daha akıllı gökyüzleri önemli

Uzun bir uçuş gecikmesini yaşamış olan herkes, hava taşımacılığı sistemimizin ne kadar kırılgan olabildiğini hissetmiştir. Her kalkış ve inişin ardında sürekli bir dengeleme çabası vardır: gökyüzünün güvenle kaç uçağı barındırabileceği, fırtınaların ve yoğunluğun ağ boyunca nasıl dalga etkisi yaratacağı ve kontrolörlerle planlayıcıların çelişen öncelikleri nasıl idare ettiği. Bu makale, yapay zekâyı uzman yargılarını birleştirmek için geliştirilmiş sofistike bir yöntemle harmanlayarak bu kararları desteklemenin yeni bir yolunu sunuyor; amaç, koşullar belirsiz olduğunda bile hava yolculuğunu daha güvenli, daha pürüzsüz ve daha öngörülebilir kılmak.

Kalabalık ve değişen bir gökyüzünü anlamak

Modern hava trafiği o kadar yoğun ve karmaşık hale geldi ki sabit kurallara veya basit ortalamalara dayanan geleneksel planlama araçları yetersiz kalıyor. Hava sahası kapasitesi, temel olarak, meşgul pistlerden baskı altındaki kontrolörlere ve hassas navigasyon ekipmanına kadar değişen koşullar altında bir bölgeden güvenle geçebilecek uçak sayısının maksimumudur. Trafik tahmini ise uçakların ne zaman ve nerede birikeceğini öngörmeye çalışır; böylece yoğunluğu gerçekleşmeden önce önlemek mümkün olur. Her iki görev de belirsizlikle doludur: hava durumu değişebilir, talep artabilir ve uzmanlar riskler konusunda fikir ayrılığı yaşayabilir. Yazarlar, etkin yönetimin artık her şeyin kesin olarak biliniyormuş gibi davranmadan dağınık ve eksik bilgilerle başa çıkabilen araçlar gerektirdiğini savunuyor.

Bilgisayarlara geçmişten öğrenmeyi öğretmek

Önerilen çerçevenin merkezinde, geçmiş verilerden örüntüler öğrenen bir makine öğrenmesi modeli olan sinir ağı bulunuyor. Ağ; uçak sayıları, sektör dolulukları, hava koşulları ve farklı havaalanları ile işletme senaryolarından gelen gecikme kayıtları gibi verileri alıyor. Ardından belirli bir hava sahası düzenlemesinin nasıl performans göstereceğini tahmin etmeyi öğreniyor: ne kadar trafiği güvenle taşıyabileceği, kontrolörlerin iş yükünün ne kadar ağırlaşabileceği ve çeşitli koşullar altında yoğunluğun ne kadar muhtemel olduğu gibi. Sistem önceden yazılmış kurallara yalnızca dayanmak yerine gerçek işletmelerde görülen karmaşık, doğrusal olmayan davranışa uyum sağlıyor ve insanların doğrudan nicelendirmenin zor olacağı ince veya birbirine dolanmış ilişkileri yakalıyor.

Bulanık görüşleri net sıralamalara dönüştürmek

Sadece sayılar havacılıkta önemli olan her şeyi yakalayamaz. Güvenlik marjları, kötü hava koşullarına karşı direnç veya belirli kontrol stratejilerinin uygulanabilirliği gibi uzman değerlendirmeleri kaçınılmaz olarak belirsiz ve bazen çelişkilidir. Bunu ele almak için yazarlar, tüm aday stratejileri yalnızca ikili karşılaştırmalar yerine eşzamanlı olarak karşılaştıran FUCA adlı bir karar verme tekniği kullanıyor. FUCA’yı, uzmanların bir seçeneği ne kadar desteklediğini veya karşı çıktığını değil, aynı zamanda ne kadar tereddütlü veya belirsiz olduklarını da temsil eden “karmaşık Pisagor bulanık” bilgileriyle zenginleştiriyorlar. Uygulamada uzmanlar, pist kapasitesi, kontrolör iş yükü, altyapı güvenilirliği, tahmin kalitesi, gecikme maliyeti ve yoğunluk riski gibi kriterler için her stratejiyi “zayıf”, “iyi” veya “çok iyi” gibi basit sözel derecelerle tanımlıyor. Bu dilsel terimler, hem uzlaşma hem de şüpheyi kodlayan bulanık değerlere çevriliyor; böylece yöntem, katı evet–hayır kararlar dayatmak yerine nüansı koruyabiliyor.

Çok sayıda seçenekten en iyi stratejilere

Çerçeve, dört uzman türü ve terminal sektörlerden işbirlikçi karar protokollerine ve gelişmiş akış kontrol düzenlerine kadar uzanan on beş gerçekçi hava sahası stratejisi içeren zengin bir vaka çalışmasında test ediliyor. Sinir ağı önce belirsiz koşullar altında her strateji için nicel performans tahminleri üretiyor. FUCA daha sonra bu tahminleri uzmanların bulanık değerlendirmeleriyle birleştirip ortak bir puanlama tablosu oluşturuyor ve tüm seçenekleri sıralıyor. Sonuçlar, tutarlı şekilde güçlü birkaç stratejiyi öne çıkarıyor: belirli bir rota içi sektör tasarımı, işbirlikçi bir karar alma protokolü ve geliştirilmiş bir navigasyon ağı liderler olarak ortaya çıkarken, daha katı veya aşırı karmaşık planlar alt sıralara düşüyor. Geniş çaplı duyarlılık analizleri, uzmanların göreli etkisi veya kriterlerin önemi çok sayıda senaryoda değiştirildiğinde bile bu sıralamaların kararlı kaldığını gösteriyor; bu da önerilerin aşırı hassas olmadığını düşündürüyor.

Gerçek dünya havacılık kararlarına katkısı

Yeni çerçevenin mevcut araçlarla nasıl karşılaştırıldığını görmek için yazarlar, onu mühendislik ve ulaşım planlamasında kullanılan birkaç rakip yöntemle karşılaştırıyor. Hibrit yaklaşımları benzer alternatifleri ayırt etme yeteneğinde daha güçlü, yüksek belirsizlikle başa çıkmada daha iyi ve girdiler değiştiğinde daha stabil sıralamalar gösteriyor. Yönetici ve düzenleyiciler için bu, canlı verileri insan deneyimiyle harmanlayabilen, varsayımsal senaryoları keşfedebilen ve geniş bir koşul yelpazesinde etkili kalan stratejileri öne çıkaran bir karar destek sistemi anlamına geliyor. Vaka çalışması varsayımsal olsa da ve gelecekte modelin gerçek trafik verileri ve daha büyük ölçeklerde doğrulanması gerekecek olsa da, araştırma pratik bir yola işaret ediyor: yapay zekâ ve gelişmiş bulanık akıl yürütmeyi kullanarak hava sahası tasarımı, kapasite planlaması ve trafik yönetimine rehberlik etmek, çünkü gökyüzü giderek daha da yoğunlaşıyor.

Atıf: 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

Anahtar kelimeler: hava sahası kapasitesi, hava trafiği tahmini, sinir ağları, bulanık karar verme, havacılık yönetimi