Graph-based Complexity Forecasts in UK En Route Airspace Using Relevant Aircraft Interactions

그래프 기반 복잡성 예측: 관련 항공기 상호작용을 활용한 영국 en-route 공역

문제 제기
항공교통관제사 (ATCO) 의 업무 부하를 효과적으로 관리하는 것은 운영 안전에 필수적입니다. 그룹 감독관들은 현재 섹터 구성 및 근무표 편성을 위한 의사결정을 지원하기 위해 교통량을 추정하는 도구에 의존하고 있습니다. 그러나 업계 표준 복잡성 모델들은 종종 항공교통 복잡성의 미묘한 차이를 포착하지 못합니다. 이러한 모델들은 일반적으로 결정론적 궤적 예측과 휴리스틱 척도 (예: 총 항공기 수 또는 상승/하강 항공기) 에 의존하는데, 이는 미래 교통 구성을 정확하게 모델링할 충실도가 부족합니다. 이러한 모델들은 종종 특정 경로 중첩이 발생하는 저교통량 시나리오에서 복잡성을 과대평가하며, 항공기 도착 시간의 고유한 불확실성과 항공기가 제출된 경로에서 유도될 가능성 (vectoring) 을 고려하지 못합니다. furthermore, 복잡성은 섹터별로 다르며 단순한 교통량이 아닌 "관련된" 상호작용에 의해 결정되므로, 일반화 가능한 수치적 척도를 마련하기 어렵습니다.

방법론
본 연구는 주요 유럽 공항 상공에 여러 상승 및 하강 흐름이 존재하는 복잡한 지역인 런던 미들 섹터 (LMS) 의 공역 복잡성을 예측하기 위한 확률론적 프레임워크를 제안합니다. 방법론은 세 가지 주요 구성 요소로 이루어져 있습니다:

1. 관련 항공기 필터의 적응:
   저자들은 기존 비행 필터링 알고리즘 (원래 Vijay Kumbhar 등 개발) 을 ATCO 업무 부하의 대리 지표로 활용하도록 적응시켰습니다. 이 필터는 단순한 즉각적인 충돌이 아닌, 모니터링 또는 충돌 회피가 필요한 "관련된" 항공기 쌍을 식별합니다.

   • 반복적 정제: Swanwick 센터의 면허 소지 ATCO 들로부터의 질적 피드백을 통해 필터를 LMS 에 맞게 조정했습니다. 여기에는 매개변수 (예: 횡방향 거리 임계값, 수직 거리 범위) 조정과 새로운 로직 도입이 포함되었습니다:
     • 인-트레일 (In-trail) 처리: 특정 횡방향 콘 내에서 상대 속도가 무시할 수 있는 항공기를 제외합니다.
     • 이분되는 경로: 발산하는 경로에서 충분한 횡방향 간격을 가진 항공기를 제외합니다.
     • 데이터 기반 수직 프로파일링: 단순한 비행 레벨 범위 교차점을 대신하여 상승 및 하강 콘을 모델링하기 위해 확률론적 궤적 예측 (2σ 신뢰 구간 사용) 을 도입하여 오탐지를 줄였습니다.
     • 운영 궤적 예측: 제출된 비행 계획이나 상태 기반 가정이 아닌, 마지막으로 발급된 ATCO 지시 (승인) 를 활용하여 대상 항공기 궤적을 생성합니다.
   • 평가: 조정된 필터는 50 개의 ATCO 라벨이 부착된 정적 교통 시나리오를 대상으로 검증되었으며, 원래 매개변수 대비 0.69 에서 F1 점수가 0.84 로 향상되었습니다.

2. 그래프 기반 경로 표현:
   예측을 용이하게 하기 위해 저자들은 LMS 경로 네트워크의 재샘플링된 그래프 표현을 구축했습니다.

   • 재샘플링: 2024 년 1 월부터 12 월까지의 역사적 비행 계획이 그래프로 변환되었는데, 여기서 간선 (edges) 은 선형적으로 세분화되고 클러스터링되어 일관된 공간 충실도 (5~10 해리 간선) 를 보장했습니다. 이는 경로 구간을 표준화하여 유사한 경로의 수집과 더 정밀한 공간 예측을 가능하게 했습니다.
   • 조회: 원래 비행 계획의 웨이포인트를 재샘플링된 그래프 구조에 매핑하기 위한 변환 테이블이 생성되었습니다.

3. 확률론적 복잡성 예측:
   예측 방법은 다음을 결합하여 최대 45 분 앞까지 관련된 항공기 쌍의 수를 예측합니다:

   • 실시간 운영 데이터: NATS 국가 공역 시스템 비행 데이터 프로세서 (NAS FDP) 로부터의 도착 시간 예측.
   • 점유 확률: 웨이포인트에서의 항공기 도착 시간이 정규 분포 ($N(\mu, \sigma^2)$, 여기서 $\sigma=5$ 분) 를 따른다고 가정하는 통계 모델입니다. 이는 미래 조회 시점에 특정 경로 구간을 항공기가 점유할 확률을 계산합니다.
   • 역사적 사전 확률: 역사적 데이터에서 도출된 경험적 기대값 ($E[X | O_i, O_j]$) 으로, 특정 경로 구간 ($O_i, O_j$) 을 점유하는 두 항공기가 관련 쌍을 구성할 확률을 나타냅니다.
   • 예측 공식: 모든 경로 구간 쌍에 대한 점유 확률의 곱과 관련성의 역사적 기대값을 합산하여 총 예상 관련 쌍 수를 계산합니다.

주요 결과

• 필터 성능: 업데이트된 필터는 ATCO 라벨이 부착된 테스트 세트에서 정밀도, 재현율, F1 점수가 각각 0.84 (원래 알고리즘 대비 0.67, 0.72, 0.69) 로 원래 알고리즘보다 우수한 성능을 보였습니다.
• 예측 정확도: 30 분 및 45 분 앞의 관련 쌍을 예측할 때, 제안된 방법은 필터가 식별한 실제 관련 쌍 수와 스피어만 순위 상관 계수 ($\rho$) 0.68 을 달성했습니다.
• 기준선 대비 비교: 이 상관관계는 섹터 내 항공기 수를 세는 표준 교통량 예측 ($\rho=0.55$) 보다 훨씬 강력했습니다.
• 통계적 유의성: 이동 블록 부트스트랩 분석은 제안된 방법의 실제 업무 부하와의 상관관계가 교통량 기준선보다 통계적으로 유의미하게 높음을 확인했습니다 (평균 차이 0.134, 95% 신뢰 구간 [0.064, 0.211], 45 분 앞선 예측의 경우 $p=0.0004$).
• 계산 효율성: 이 도구는 표준 노트북에서 1 초 미만의 시간으로 예측을 생성하므로, 단일 레이더 스캔 (~6 초) 내에서 실시간 적용이 가능합니다.

의의 및 주장
본 논문은 제안된 데이터 기반 도구가 단순한 교통량이 아닌 "관련된 상호작용"에 초점을 맞춤으로써 현재 업계 표준보다 ATCO 업무 부하에 대한 더 정확한 대리 지표를 제공한다고 주장합니다. 도착 시간의 확률론적 모델링과 공역의 그래프 기반 표현을 활용함으로써, 이 방법은 결정론적 모델이 놓치는 불확실성과 운영상 현실 (유도 등) 을 고려합니다.

저자들은 이 도구가 그룹 감독관이 섹터 구성 및 ATCO 근무표 편성에 관한 정보에 기반한 의사결정을 내리는 데 지원할 잠재력이 있다고 봅니다. 본 연구는 이 접근 방식이 LMS 섹터의 기하학적 및 운영적 특성에 맞게 특별히 조정되었다고 강조합니다. 결과가 유망하지만, 평가가 단일 일과 단일 섹터로 제한되었다고 저자들은 지적합니다. 따라서 그들은 이 도구가 현재 LMS 의 고도 범위 이상의 섹터를 포함한 더 넓은 배포 전에 다른 계절과 섹터에 걸쳐 추가 보정 및 평가가 필요하다고 주장합니다.