⚡ electrical engineering

Unlocking air traffic flow prediction through microscopic aircraft-state modeling

यह शोध पत्र AeroSense को प्रस्तुत करता है, जो एक नवीन स्टेट-टू-फ्लो (state-to-flow) फ्रेमवर्क है जो ADS-B डेटा से तात्कालिक सूक्ष्म विमान अवस्थाओं (instantaneous microscopic aircraft states) को सीधे मॉडल करके टर्मिनल हवाई क्षेत्र में अल्पकालिक हवाई यातायात प्रवाह पूर्वानुमान को बढ़ाता है, जिससे पारंपरिक संचित समय-श्रृंखला (aggregated time-series) दृष्टिकोणों की सीमाओं को दूर किया जा सकता है और विशेष रूप से उच्च-घनत्व वाले यातायात के दौरान बेहतर सटीकता प्राप्त की जा सकती है।

मूल लेखक: Feng Hong, Bin Wang, Anqi Liu, Jiangtao Zhao, Yanyong Huang, Peilan He, Guiyuan Jiang, Yanwei Yu, Tianrui Li

प्रकाशित 2026-06-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Feng Hong, Bin Wang, Anqi Liu, Jiangtao Zhao, Yanyong Huang, Peilan He, Guiyuan Jiang, Yanwei Yu, Tianrui Li

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि अगले 15 मिनट में एक व्यस्त पार्किंग स्थल पर कितनी कारें आएँगी।

पुराना तरीका ( "ट्रैफिक रिपोर्ट" दृष्टिकोण)
अधिकांश वर्तमान प्रणालियाँ पिछले कुछ घंटों के एक लंबे वीडियो टेप को देखकर इसकी भविष्यवाणी करने का प्रयास करती हैं। वे अतीत में हर 15 मिनट में गुजरने वाली कारों की गिनती करती हैं और भविष्य का अनुमान लगाने के लिए उस इतिहास का उपयोग करती हैं। यह कल के मौसम का अनुमान लगाने के लिए केवल कल के तापमान के ग्राफ को देखने जैसा है, जबकि इस बात को नजरअंदाज कर दिया जाता है कि वर्तमान में एक तूफान आगे बढ़ रहा है।

इस पद्धति की समस्या यह है कि यह ट्रैफिक को एक सुचारू, धुंधली रेखा के रूप में मानती है। यह व्यक्तिगत कारों को भूल जाती है। इसे यह नहीं पता होता कि कोई विशिष्ट कार तेज हो रही है, धीमी हो रही है, या मुड़ रही है। और जब कारों की संख्या अचानक बदल जाती है, तो यह भ्रमित हो जाती है, क्योंकि यह डेटा के एक स्थिर प्रवाह को देखने की आदी होती है।

नया तरीका: AeroSense ("लाइव कैमरा" दृष्टिकोण)
यह शोध पत्र AeroSense नामक एक नई प्रणाली पेश करता है। इतिहास के टेप को देखने के बजाय, AeroSense आसमान के एक एकल, हाई-डेफिनिशन स्नैपशॉट को देखता है जो अभी मौजूद है।

इसे एक ऊंचे टॉवर पर खड़े एक सुरक्षा गार्ड की तरह समझें जिसके पास एक शक्तिशाली दूरबीन है। पिछले एक घंटे में कितनी कारें गुजरीं, इसकी गिनती करने के बजाय, गार्ड वर्तमान में दिखाई देने वाले हर एक विमान को देखता है और पूछता है:

यह अभी कहाँ है?
इसकी गति कितनी है?
क्या यह हवाई अड्डे की ओर मुड़ रहा है या उससे दूर जा रहा है?
क्या यह "नियंत्रित क्षेत्र" के किनारे के करीब है?

यह कैसे काम करता है (जादुई रेसिपी)
शोधकर्ताओं ने एक कंप्यूटर मस्तिष्क बनाया है जो आकाश को संख्याओं के प्रवाह के रूप में नहीं, बल्कि मित्रों के एक गतिशील समूह के रूप में मानता है जो लगातार पार्टी में शामिल हो रहे हैं और छोड़ रहे हैं।

स्नैपशॉट (Snapshot): किसी भी सेकंड में, सिस्टम क्षेत्र में मौजूद प्रत्येक विमान की "स्थिति" (state) प्राप्त करता है। इसमें उनका स्थान, गति और यहाँ तक कि पायलट का इरादा भी शामिल है (जैसे कॉकपिट में एक डायल जो दिखाता है कि वे कहाँ जाना चाहते हैं)।
ग्रुप चैट (Group Chat): सिस्टम एक विशेष प्रकार के AI (जिसे "मास्क्ड सेल्फ-अटेंशन" कहा जाता है) का उपयोग करता है ताकि ये विमान एक-दूसरे से "बात" कर सकें। यह पता लगाता है कि कौन से विमान एक-दूसरे को प्रभावित कर रहे हैं। उदाहरण के लिए, यदि विमान A धीमा हो रहा है, तो यह विमान B को भी, जो उसके पीछे है, धीमा होने के लिए प्रेरित कर सकता है। सिस्टम इन संबंधों को तुरंत सीख लेता है।
काउंटिंग मशीन (Counting Machine): एक बार जब सिस्टम समूह को समझ लेता है, तो यह केवल औसत नहीं निकालता। इसके बजाय, यह एक काउंटर की तरह कार्य करता है। यह समझ जाता है कि "ट्रैफिक फ्लो" वास्तव में इन सभी व्यक्तिगत विमानों का योग है। यदि 50 विमान हवाई अड्डे की ओर जा रहे हैं, तो भविष्यवाणी 50 है। यदि 5 और विमान समूह में शामिल होते हैं, तो भविष्यवाणी तुरंत अपडेट होकर 55 हो जाती है।
दो अलग-अलग आँखें (Two Different Eyes): इस सिस्टम के पास दो अलग-अलग "हेड्स" (भविष्यवक्ता) हैं। एक हेड रनवे के पास निचले स्तर के क्षेत्र (जहाँ विमान लैंड कर रहे हैं) पर ध्यान केंद्रित करता है, और दूसरा हेड उच्च स्तर के क्षेत्र (जहाँ विमान क्रूज कर रहे हैं) पर ध्यान केंद्रित करता है। वे अलग-अलग काम करते हैं क्योंकि प्रत्येक क्षेत्र के नियम अलग होते हैं।

यह बेहतर क्यों है
शोध पत्र ने एक प्रमुख हवाई अड्डे के वास्तविक डेटा का उपयोग करके पुराने "इतिहास टेप" तरीकों के मुकाबले इसका परीक्षण किया।

सटीकता (Accuracy): AeroSense ट्रैफिक की भविष्यवाणी करने में बहुत बेहतर था, विशेष रूप से तब जब आकाश भीड़भाड़ वाला था। इसने उन "उतार-चढ़ाव" और अचानक बदलावों को पकड़ा जिन्हें पुराने तरीकों ने मिस कर दिया था।
इतिहास की आवश्यकता नहीं: क्योंकि यह वर्तमान स्थिति को बहुत स्पष्ट रूप से देखता है, इसलिए इसे पिछले 24 घंटों के डेटा को याद रखने की आवश्यकता नहीं है। यह डेटा प्राप्त होते ही भविष्यवाणी कर सकता है।
मजबूती (Robustness): जब ट्रैफिक अराजक हो गया (जैसे सुबह की भीड़ के दौरान), तो पुराने सिस्टमों ने बड़ी गलतियाँ कीं। AeroSense शांत और सटीक बना रहा, जैसे कि एक गार्ड जिसे भीड़ में मौजूद हर व्यक्ति की गतिविधियों का सटीक ज्ञान हो।

निष्कर्ष (The Bottom Line)
यह शोध पत्र तर्क देता है कि हवाई यातायात के भविष्य की भविष्यवाणी करने के लिए, आपको केवल प्रवाह के इतिहास को नहीं देखना चाहिए। आपको अभी हर एक विमान की सूक्ष्म स्थिति (microscopic state) को समझने की आवश्यकता है। आकाश को डेटा की एक धुंधली रेखा के बजाय व्यक्तिगत विमानों के एक जीवित, बदलते हुए समूह के रूप में मानकर, AeroSense आने वाली चीज़ों का कहीं अधिक स्पष्ट और सटीक दृश्य प्रदान करता है।

तकनीकी सारांश: सूक्ष्म विमान-अवस्था मॉडलिंग के माध्यम से वायु यातायात प्रवाह भविष्यवाणी को अनलॉक करना

समस्या विवरण
टर्मिनल एयरस्पेस (TA) में अल्पकालिक वायु यातायात प्रवाह की भविष्यवाणी प्रोएक्टिव एयर ट्रैफिक मैनेजमेंट (ATM) के लिए महत्वपूर्ण है, फिर भी मौजूदा दृष्टिकोण मुख्य रूप से एक स्थूल (macroscopic) टाइम-सीरीज फोरकास्टिंग प्रतिमान (paradigm) पर निर्भर करते हैं। इस पारंपरिक ढांचे में, व्यक्तिगत विमान प्रक्षेपवक्रों (trajectories) को भविष्यवाणी से पहले स्थूल प्रवाह अनुक्रमों या स्थानिक-कालिक टेंसरों में एकत्रित किया जाता है। लेखक तर्क देते हैं कि यह एकत्रीकरण उस सूक्ष्म जानकारी को धुंधला कर देता है जो यातायात गतिशीलता के लिए आवश्यक है, जैसे कि विमान की गतिशीलता (kinematics), सीमा अंतःक्रियाएं (boundary interactions), और नियंत्रण इरादा (control intent)। इसके अलावा, इन विधियों को आमतौर पर ऐतिहासिक लुक-बैक विंडोज़ की आवश्यकता होती है और वे निरंतर, परिवर्तनशील-कार्डिनैलिटी वाले विमान अवस्थाओं को निश्चित टाइम-सीरीज़ निरूपणों में संकुचित करने से होने वाली विविक्तीकरण त्रुटियों (discretization artifacts) और सूचना हानि के प्रति संवेदनशील होती हैं। मूल चुनौती यह है कि क्या तात्कालिक सूक्ष्म विमान अवस्थाएं ऐतिहासिक प्रवाह अनुक्रमों पर निर्भर किए बिना सटीक भविष्य के प्रवाह की भविष्यवाणी के लिए पर्याप्त जानकारी प्रदान कर सकती हैं।

कार्यप्रणाली: AeroSense फ्रेमवर्क
इन सीमाओं को दूर करने के लिए, यह शोध पत्र AeroSense का प्रस्ताव करता है, जो एक 'स्टेट-टू-फ्लो' (state-to-flow) मॉडलिंग फ्रेमवर्क है जो तात्कालिक सूक्ष्म विमान अवस्थाओं से भविष्य के क्षेत्रीय यातायात प्रवाह तक एक एंड-टू-एंड मैपिंग स्थापित करता है।

स्टेट-टू-फ्लो प्रतिमान: एयरस्पेस को टाइम-सीरीज़ के रूप में मानने के बजाय, AeroSense समय $t$ पर तात्कालिक एयरस्पेस स्थिति को विमान अवस्थाओं के एक गतिशील, अव्यवस्थित सेट (unordered set) के रूप में मॉडल करता है, $S_t = \{s_1, \dots, s_{N_t}\}$ । जैसे-जैसे विमान एयरस्पेस में प्रवेश करते या बाहर निकलते हैं, कार्डिनैलिटी $N_t$ बदलती रहती है।
सूक्ष्म अवस्था निरूपण (Microscopic State Representation): प्रत्येक विमान अवस्था वेक्टर $s_i \in \mathbb{R}^{18}$ $s_{i} \in R^{18}$ को ADS-B डेटा से निर्मित किया गया है और इसमें पांच विशिष्ट घटक शामिल हैं:
- स्थान (Location): अक्षांश, देशांतर और ऊँचाई।
- गतिशीलता (Kinematics): ग्राउंड स्पीड, वर्टिकल स्पीड और हेडिंग एंगल।
- नियंत्रण इरादा (Control Intent): डायल की गई एयरस्पीड और ऊँचाई (मोड कंट्रोल पैनल से)।
- सीमा अंतःक्रिया (Boundary Interactions): एयरस्पेस सीमाओं (AP और AR) से दूरी, अप्रोच कारक (वेलोसिटी और एयरस्पेस सेंटर के बीच कोसाइन सिमिलैरिटी), और एयरस्पेस समावेश संकेतक।
- सामयिक संदर्भ (Temporal Context): घंटे और मिनट के लिए साइक्लिकल एम्बेडिंग्स।
मॉडल आर्किटेक्चर:
- परिवर्तनशील-कार्डिनैलिटी हैंडलिंग: डायनेमिक सेट को एक निश्चित अधिकतम क्षमता ( $N_{max}=120$ ) तक पैड किया जाता है और एक साझा मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के माध्यम से प्रोसेस किया जाता है ताकि लेटेंट एम्बेडिंग्स उत्पन्न की जा सकें।
- अंतःक्रिया मॉडलिंग: एक मास्क्ड सेल्फ-अटेंशन (masked self-attention) तंत्र विमानों के बीच की निर्भरता को कैप्चर करता है। एक मास्क मैट्रिक्स यह सुनिश्चित करता है कि पैडिंग अवस्थाएं (डमी एंट्रीज) अटेंशन वेट्स को प्रभावित न करें, जिससे मॉडल केवल वैध विमान अंतःक्रियाओं पर ध्यान केंद्रित कर सके।
- एकत्रीकरण (Aggregation): लेखक एम्बेडिंग्स को एकत्रित करने के लिए SumPooling का उपयोग करते हैं (Mean या Max pooling के बजाय)। यह चुनाव यातायात प्रवाह की प्रकृति से प्रेरित है जो कि विमानों की संख्या पर निर्भर एक संचयी मात्रा है, जिससे वैश्विक निरूपण में सेट के स्केल को संरक्षित किया जा सके।
- डिकपल्ड प्रेडिक्शन हेड्स: दो स्वतंत्र प्रेडिक्शन हेड्स क्रमशः अप्रोच एयरस्पेस (AP) और एयरस्पेस कंट्रोल रीजन (AR) के लिए भविष्य के यातायात वॉल्यूम का अनुमान लगाते हैं, जो उनकी विशिष्ट प्रवाह गतिशीलता को स्वीकार करते हैं।
प्रशिक्षण: मॉडल को दोनों एयरस्पेस लक्ष्यों पर एक मल्टी-टास्क हबर लॉस (Huber loss) का उपयोग करके ऑप्टिमाइज़ किया जाता है।

प्रमुख योगदान

प्रतिमान परिवर्तन (Paradigm Shift): यह कार्य वायु यातायात प्रवाह भविष्यवाणी को एक स्थूल टाइम-सीरीज़ समस्या से बदलकर एक सूक्ष्म 'स्टेट-टू-फ्लो' लर्निंग समस्या के रूप में पुनर्गठित करता है, जो सीखने के निरूपण को यातायात की वास्तविक भौतिक स्थिति (विमानों का एक गतिशील सेट) के साथ संरेखित करता है।
AeroSense फ्रेमवर्क: एक ऐसे फ्रेमवर्क का परिचय जो ऐतिहासिक लुक-बैक विंडोज़ और मैन्युअल रूप से निर्दिष्ट हाइपरपैरामीटर्स की आवश्यकता को समाप्त करता है, स्वाभाविक रूप से परिवर्तनशील यातायात घनत्व को समायोजित करता है, और रीयल-टाइम स्ट्रीमिंग इन्फरेंस को सक्षम बनाता है।
भौतिक रूप से आधारित निरूपण (Physically Grounded Representations): डिज़ाइन में बाउंड्री इंटरैक्शन और कंट्रोल इंटेंट को इंडक्टिव बायस के रूप में शामिल किया गया है, जो मॉडल को केवल सांख्यिकीय सहसंबंधों के बजाय उड़ान गतिशीलता के आधार पर यातायात के विकास के बारे में तर्क करने में सक्षम बनाता है।
आर्किटेक्चर डिज़ाइन: अंतःक्रिया मॉडलिंग के लिए मास्क्ड सेल्फ-अटेंशन और स्केल-सेंसिटिव एग्रीगेशन के लिए SumPooling का विशिष्ट संयोजन प्रदर्शन के लिए महत्वपूर्ण दिखाया गया है।

प्रायोगिक परिणाम
फ्रेमवर्क का मूल्यांकन एक अंतर्राष्ट्रीय हवाई अड्डे के टर्मिनल एयरस्पेस (मार्च-अक्टूबर 2025) के बड़े पैमाने पर वास्तविक डेटासेट पर किया गया, जो AP और AR क्षेत्रों के लिए 15-मिनट-अग्रिम यातायात वॉल्यूम की भविष्यवाणी करता है।

SOTA के विरुद्ध प्रदर्शन: AeroSense ने प्रतिनिधि स्टेट-ऑफ-द-आर्ट (SOTA) टाइम-सीरीज़ बेसलाइन्स (Autoformer, FEDformer, TimesNet, और iTransformer सहित) को लगातार पछाड़ दिया। उच्च-घनत्व वाले AR क्षेत्र में, AeroSense ने सबसे मजबूत प्रतिस्पर्धी (TimesNet) की तुलना में औसत पूर्ण त्रुटि (MAE) को लगभग 22.7% कम कर दिया।
एब्लेशन अध्ययन (Ablation Studies):
- मास्क्ड सेल्फ-अटेंशन तंत्र को हटाने से प्रदर्शन में काफी गिरावट आई, जो विमानों के बीच की अंतःक्रियाओं को मॉडल करने की आवश्यकता की पुष्टि करता है।
- बाउंड्री इंटरैक्शन स्टेट्स को हटाने से स्पष्ट प्रदर्शन गिरावट आई, जो केवल पूर्ण GPS निर्देशांकों के ऊपर ज्यामितिक संकेतों के महत्व को प्रमाणित करता है।
- SumPooling को Mean या Max pooling से बदलने से विशेष रूप से उच्च-घनत्व वाले परिदृश्यों में प्रदर्शन में भारी गिरावट आई, जो इस बात को पुख्ता करता है कि यातायात प्रवाह की भविष्यवाणी विमानों की संख्या पर निर्भर करती है न कि औसत अवस्थाओं पर।
मजबूती (Robustness): AeroSense ने उच्च-अस्थिरता वाले अवधियों (जैसे सुबह के पीक और देर रात के ट्रांजिशन) के दौरान उत्कृष्ट मजबूती प्रदर्शित की, जहाँ पारंपरिक टाइम-सीरीज़ मॉडल तीव्र त्रुटि स्पाइक्स दिखाते थे। मॉडल ने एक सुचारू त्रुटि प्रोफाइल बनाए रखा, और डेपार्टिंग मल्टी-ऑब्जेक्टिव मूल्यांकन में पारेटो-ऑप्टिमल प्रदर्शन प्राप्त किया।
सेट-आधारित बेसलाइन्स के साथ तुलना: जबकि सामान्य सेट-आधारित मॉडल (DeepSets, SetTransformer) टाइम-सीरीज़ बेसलाइन्स की तुलना में बेहतर प्रदर्शन करते थे, AeroSense ने सबसे कम त्रुटियां प्राप्त कीं, जो दर्शाता है कि विशिष्ट एयरस्पेस-अवेयर डिज़ाइन (स्टेट रिप्रेजेंटेशन और डिकपल्ड हेड्स) जेनेरिक परम्यूटेशन-इनवेरिएंट मॉडलिंग के अलावा अतिरिक्त मूल्य प्रदान करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि तात्कालिक एयरस्पेस स्थितियां पारंपरिक टाइम-सीरीज़ आधारित फोरकास्टिंग प्रतिमानों के लिए एक प्रभावी विकल्प प्रदान करती हैं। सूक्ष्म विमान अवस्थाओं को सीधे मॉडल करके, AeroSense सूक्ष्म गतिशीलता को संरक्षित करता है और एकत्रीकरण के कारण होने वाली सूचना हानि को कम करता है। लेखक का कहना है कि यह दृष्टिकोण न केवल औसत भविष्य कहनेवाला सटीकता में सुधार करता है, बल्कि तैनाती के लिए व्यावहारिक लाभ भी प्रदान करता है: यह निरंतर ऐतिहासिक प्रक्षेपवक्र भंडारण और लंबे लुक-बैक विंडोज़ की आवश्यकता को हटाकर रीयल-टाइम स्ट्रीमिंग इन्फरेंस को सरल बनाता है। निष्कर्ष बताते हैं कि भविष्य के वायु यातायात प्रबंधन प्रणालों को एकत्रित प्रवाह सांख्यिकी से हटकर तात्कालिक, स्टेट-अवेयर मॉडलिंग की ओर ध्यान केंद्रित करने से लाभ हो सकता है।

इसी तरह के और पेपर