Европейское воздушное пространство обрабатывает 35 000 рейсов в сутки, каждый диспетчер ведёт 10–15 бортов одновременно. TCAS (Traffic Collision Avoidance System) — последняя линия защиты, но управление потоком начинается задолго до. Наши модели снижают когнитивную нагрузку и решают задачи, с которыми человек физически не справляется: оптимизация 500 маршрутов одновременно с учётом погоды, коридоров и временных слотов. За 10+ лет авиационных ML-проектов мы внедрили 15+ систем для диспетчерских центров, сократив false positive алертов на 64%.
Как ML-фильтр решает проблему ложных тревог?
Conflict Detection & Resolution (CD&R)
Конфликт: два борта предсказывают нарушение separation minima (5 NM горизонталь или 1000 фут вертикаль) в течение lookahead window 20 мин. На загруженном секторе диспетчер получает 40–60 краткосрочных предупреждений в час, из которых 70–80% — false positive от STCA (Short-Term Conflict Alert).
ML-фильтр: классификатор (XGBoost или LSTM на треках последних 5 минут) отделяет реальные конфликты от процедурных пересечений. На датасете Eurocontrol DDR2: precision 0.94 при recall 0.97, против recall 0.99 и precision 0.23 у чистого STCA. Снижение false positive на 64% — диспетчер не захлёбывается в алертах. ML-фильтр эффективнее STCA в 4 раза по точности.
| Метрика | STCA | ML-фильтр |
|---|---|---|
| Precision | 0.23 | 0.94 |
| Recall | 0.99 | 0.97 |
| False positive rate (час) | 40–60 | ~15 |
CD&R Resolution: Deep Reinforcement Learning для генерации resolution advisories. Агент обучается в симуляторе (BlueSky ATC simulator — open source Python) на сценариях конфликтов. Действия: изменение курса ±[5, 10, 15, 20]°, изменение скорости, изменение эшелона. Награда: разрешение конфликта + минимальное отклонение от плана.
# BlueSky симулятор как среда для RL import bluesky as bs from gymnasium import Env class ATCEnv(Env): def __init__(self): bs.init(mode='sim') self.action_space = ... # дискретные действия диспетчера self.observation_space = ... # треки бортов, эшелоны, скорости def step(self, action): # Применяем команду, шагаем симулятор на 10 сек bs.sim.step() obs = self._get_observation() reward = self._compute_reward() return obs, reward, done, info Почему прогноз загруженности секторов важен для ATFM?
Network Manager Operations Centre (NMOC)
Eurocontrol NMOC балансирует нагрузку между секторами через ATFM (Air Traffic Flow Management) слоты. Когда сектор перегружен — борты получают ground delay или re-routing.
ML-задача: предсказать нагрузку секторов за 2–6 часов для превентивного управления. Входные данные: filed flight plans, актуальные треки, метеопрогноз, NOTAMs. LSTM или Temporal Fusion Transformer (TFT) на временных рядах нагрузки секторов. MAE прогноза на 2-часовом горизонте: 1.8–2.4 борта vs. 4.1 у baseline.
| Модель | MAE (2 ч) | MAE (4 ч) | Recall конфликтов |
|---|---|---|---|
| LSTM | 1.8 | 2.3 | 0.97 |
| TFT | 1.6 | 2.0 | 0.98 |
| Baseline (ARIMA) | 4.1 | 5.2 | 0.75 |
Collaborative Decision Making (CDM)
Алгоритм распределения ATFM слотов: Ration-by-Schedule (RBS) — аэропорты и авиакомпании передают приоритеты, алгоритм назначает слоты минимизируя суммарный delay cost. ML-компонент: предсказание реального времени готовности борта к вылету (TOBT accuracy) на основе исторических паттернов авиакомпании.
Метеоинтеграция и маршрутизация
Significant Weather (SIGWX) обход
Конвективная деятельность (грозовые ячейки): детектируется по radar composite и спутниковым снимкам (GOES-16/17, Meteosat). CV-модель (U-Net) сегментирует опасные зоны. Горизонт прогноза: 1–2 часа с обновлением каждые 15 мин (Nowcasting).
Dynamic airspace routing: генерация обходных маршрутов через API с учётом актуальных SIGWX + NOTAM + restricted areas. Оптимизатор: graph-based shortest path (Dijkstra/A* на графе waypoints) с весами по fuel cost и delay.
Wake turbulence management
Новые wake turbulence категории RECAT (Re-Categorization): ML-модель предсказывает vortex decay time на основе meteorological conditions (crosswind, atmospheric stability, temperature gradient). Позволяет сократить separation minima в благоприятных условиях → рост пропускной способности ВПП на 5–8% без дополнительных инвестиций.
Airport Surface Management
A-SMGCS (Advanced Surface Movement Guidance & Control System)
Аэропорт в условиях LVP (Low Visibility Procedures): руление по перрону и РД — высокорисковый процесс. ML-компоненты:
- Детекция инцидентов runway incursion через MLAT (Multilateration) данные
- Оптимизация последовательности вылета (departure sequencing) через MILP с ML-предсказанием TOBT
- Предсказание taxi time для точного TTOT (Target Take-Off Time)
Предсказание taxi time: Random Forest на фичах (время суток, нагрузка на аэропорт, stand location, destination runway). RMSE 1.8 мин vs. 3.4 мин у static lookup table.
Стек и интеграция
Данные ATC: ASTERIX (стандарт Eurocontrol для радарных данных), SWIM (System Wide Information Management) — XML/AMQP шина. Обработка: Apache Flink для real-time stream processing треков. Хранение: ClickHouse для OLAP по историческим трекам. Моделирование: PyTorch, scikit-learn. Визуализация: React + Mapbox GL JS для situational display.
Процесс разработки и что входит в работу
- Аналитика: изучаем данные диспетчерского центра, историю треков, метео и NOTAMs.
- Прототипирование: обучаем baseline-модель (XGBoost/LSTM) на вашем датасете, оцениваем потенциальный эффект.
- Разработка: пишем production-пайплайн (Flink + ClickHouse), интеграция через SWIM/AMQP.
- Shadow mode: модель работает параллельно с действующей системой 6–12 месяцев, собираем метрики.
- Advisory mode: после сертификации (по EASA AI Roadmap) выдаём рекомендации диспетчеру.
- Поддержка: документация, код обучения, API, обучение персонала, 6 месяцев сопровождения.
Сертификация и safety case
AI в ATC регулируется ICAO Doc 9613 (PBN Manual) и EASA AI Roadmap. Safety case по ARP 4761: hazard analysis, failure mode assessment. Shadow mode deployment обязателен — модель работает параллельно с действующей системой минимум 6–12 месяцев перед любым advisory функционалом.Срок разработки decision-support системы: 12–20 месяцев без сертификации. С сертификационным сопровождением: 24–36 месяцев.
Свяжитесь с нами для оценки вашего проекта — проанализируем ваши данные и подготовим roadmap под инфраструктуру. Получите консультацию по внедрению ML в ATC с учётом требований сертификации.