Graph-Maschinenlernen zur Vorhersage von Flugverspätungen aufgrund von Haltemanövern

Flugverspätungen aufgrund von Haltemanövern sind ein kritisches und kostspieliges Phänomen in der Luftfahrt, bedingt durch die Notwendigkeit, den Flugverkehr zu steuern und die Sicherheit zu gewährleisten. Haltemanöver treten auf, wenn Flugzeuge angewiesen werden, in festgelegtem Luftraum zu kreisen, oft bedingt durch Faktoren wie Flughafenüberlastung, ungünstige Witterungsbedingungen oder Beschränkungen der Flugverkehrskontrolle. Diese Studie modelliert die Vorhersage von Flugverspätungen aufgrund von Haltemanövern als ein Graphproblem und nutzt fortschrittliche Techniken des Graph-Maschinenlernens (Graph ML), um komplexe Abhängigkeiten in Flugverkehrsnetzen zu erfassen. Haltemanöver sind zwar entscheidend für die Sicherheit, führen jedoch zu erhöhtem Treibstoffverbrauch, Emissionen und Unzufriedenheit der Passagiere, weshalb eine genaue Vorhersage für die betriebliche Effizienz unerlässlich ist. Traditionelle Modelle des Maschinenlernens, die in der Regel tabellarische Daten verwenden, übersehen häufig raum-zeitliche Beziehungen innerhalb der Flugverkehrsdaten. Um dem entgegenzuwirken, modellieren wir das Problem der Vorhersage von Halteereignissen als Vorhersage von Kantenmerkmalen in einem gerichteten (Multi-)Graphen, wobei wir sowohl CatBoost verwenden, das mit Graphmerkmalen angereichert ist, die die Zentralität und Konnektivität des Netzwerks erfassen, als auch Graph Attention Networks (GATs), die in Kontexten relationaler Daten hervorragend abschneiden. Unsere Ergebnisse zeigen, dass CatBoost in diesem unausgewogenen Datensatz besser abschneidet als GAT und Halteereignisse effektiv vorhersagt und Interpretierbarkeit durch graphbasierte Merkmalsimportance bietet. Darüber hinaus diskutieren wir die potenziellen betrieblichen Auswirkungen des Modells durch ein webbasiertes Tool, das es Nutzern ermöglicht, Echtzeit-Vorhersagen von Verspätungen zu simulieren. Diese Forschung unterstreicht die Machbarkeit graphbasierter Ansätze für die prädiktive Analyse in der Luftfahrt, mit Auswirkungen auf die Verbesserung der Treibstoffeffizienz, die Verringerung von Verspätungen und die Verbesserung des Passagiererlebnisses.