AI-система управління повітряним рухом
Європейський повітряний простір: 35 000 рейсів на добу, 1 диспетчер веде 10-15 бортів одночасно. TCAS (Traffic Collision Avoidance System) - останній ешелон захисту, але управління потоком починається задовго. ML тут не замінює диспетчера – він знижує когнітивне навантаження та вирішує завдання, з якими людина фізично не справляється: оптимізація 500 маршрутів одночасно з урахуванням погоди, повітряних коридорів та тимчасових слотів.
Передбачення та вирішення конфліктів
Conflict Detection & Resolution (CD&R)
Конфлікт: два борту передбачають порушення separation minima (5 NM горизонталь або 1000 футів вертикаль) протягом lookahead window 20 хв. На завантаженому секторі диспетчер отримує 40-60 короткострокових попереджень за годину, з яких 70-80% - false positive від STCA (Short-Term Conflict Alert).
ML-фільтр: класифікатор (XGBoost або LSTM на треках останніх 5 хвилин) відокремлює реальні конфлікти від процедурних перетинів. На датасеті Eurocontrol DDR2: precision 0.94 при recall 0.97, проти recall 0.99 та precision 0.23 у чистого STCA. Зниження false positive на 64% - диспетчер не захлинається в алертах.
CD&R Resolution: Deep Reinforcement Learning для генерації resolution advisories. Агент навчається у симуляторі (BlueSky ATC simulator – open source Python) на сценаріях конфліктів. Дії: зміна курсу ±[5, 10, 15, 20]°, зміна швидкості, зміна ешелону. Нагорода: вирішення конфлікту + мінімальне відхилення від плану.
# 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
Оптимізація потоків та ATFM
Network Manager Operations Centre (NMOC)
Eurocontrol NMOC балансує навантаження між секторами через ATFM (Air Traffic Flow Management) слоти. Коли сектор перевантажений, борти отримують ground delay або re-routing.
ML-завдання: передбачити навантаження секторів за 2–6 годин на превентивне управління. Вхідні дані: filed flight plans, актуальні треки, метеопрогноз, NOTAMs. LSTM чи Temporal Fusion Transformer (TFT) на тимчасових рядах навантаження секторів. MAE прогнозу на 2-годинному горизонті: 1.8-2.4 борту vs. 4.1 у baseline.
Collaborative Decision Making (CDM)
Алгоритм розподілу ATFM слотів: Ration-by-Schedule (RBS) - аеропорти та авіакомпанії передають пріоритети, алгоритм призначає слоти мінімізуючи сумарний delay cost. ML-компонент: прогноз реального часу готовності борту до вильоту (TOBT accuracy) на основі історичних патернів авіакомпанії.
Метеоінтеграція та маршрутизація
Significant Weather (SIGWX) обхід
Конвективна діяльність (грозові осередки): детектується по radar composite та супутниковим знімкам (GOES-16/17, Meteosat). CV модель (U-Net) сегментує небезпечні зони. Обрій прогнозу: 1–2 години з оновленням кожні 15 хв (Nowcasting).
Dynamic airspace routing: генерація обхідних маршрутів через API з урахуванням актуальних SIGWX+NOTAM+restricted areas. Оптимізатор: graph-based shortest path (Dijkstra/A* на графі waypoints) з вагами по fuel cost і delay.
Wake turbulence management
Нові wake turbulence категорії RECAT (Re-Categorization): ML-модель передбачає vortex decay time на основі meteorological conditions (crosswind, atmospheric stability, temperature gradient). Дозволяє скоротити separation minima у сприятливих умовах → зростання пропускної спроможності ЗПС на 5–8%.
Airport Surface Management
A-SMGCS (Advanced Surface Movement Guidance & Control System)
Аеропорт в умовах LVP (Low Visibility Procedures): рулювання по перону та РД - високоризиковий процес. ML-компоненти: - Детекція інцидентів runway incursion через MLAT (Multilateration) дані - Оптимізація послідовності вильоту (departure sequencing) через MILP з ML-передбаченням TOBT - Пророцтво taxi time для точного TTOT (Target Take-Off Time)
Пророцтво taxi time: Random Forest на фічах (час доби, навантаження на аеропорт, stand location, destination runway). RMSE 1.8 хв vs. 3.4 хв у static lookup table.
Стек та інтеграція
Дані ATC: ASTERIX (стандарт Eurocontrol для радарних даних), SWIM (System Wide Information Management) - XML/AMQP шина. Обробка: Apache Flink для реального часу stream processing треків. Зберігання: ClickHouse для OLAP з історичних треків. Моделювання: PyTorch, scikit-learn. Візуалізація: React + Mapbox GL JS для situational display.
Сертифікація
AI в ATC регулюється ICAO Doc 9613 (PBN Manual) та EASA AI Roadmap. Safety case по ARP 4761: hazard analysis, failure mode assessment. Shadow mode deployment є обов'язковим — модель працює паралельно з діючою системою мінімум 6–12 місяців перед будь-яким advisory функціоналом.
Термін розробки системи decision-support: 12–20 місяців без сертифікації. Із сертифікаційним супроводом: 24–36 місяців.