Graph machine learning for flight delay prediction due to holding manouver

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat de luchtverkeersleiding een enorme, levende stad is, waar vliegtuigen de auto's zijn en luchthavens de kruispunten. Soms, door drukte of slecht weer, moeten vliegtuigen in een cirkel vliegen boven een luchthaven voordat ze mogen landen. Dit noemen ze een "holding maneuver" (een wachtmanoeuvre).

Dit wachten is nodig voor de veiligheid, maar het kost veel brandstof, vervuilt de lucht en maakt passagiers boos. De grote vraag voor de luchtvaartmaatschappijen is: Hoe kunnen we voorspellen welke vliegtuigen vast komen te staan in die cirkels, voordat ze zelfs maar opstijgen?

De auteurs van dit paper (Jorge, Manoel, Filipe en Diego) hebben een slimme oplossing bedacht. Ze gebruiken Machine Learning (kunstmatige intelligentie) om dit probleem op te lossen, maar ze doen het op een heel specifieke manier: als een grafiek (een netwerk van punten en lijnen).

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Stresstest" voor de Lucht

Normaal gesproken kijken computers naar tabellen met gegevens (zoals een Excel-lijst): Hoe snel waait de wind? Hoe laat is het? Hoeveel vliegtuigen zijn er?
Maar luchtverkeer is geen statische lijst. Het is een dynamisch netwerk. Een vliegtuig dat vertrekt uit São Paulo, beïnvloedt de drukte in Rio de Janeiro, wat weer invloed heeft op een vliegtuig dat uit Belo Horizonte komt.

Stel je voor dat je probeert te voorspellen of er een file ontstaat op een snelweg. Als je alleen kijkt naar de auto's die nu voor je rijden, mis je het grote plaatje. Je moet weten hoe de hele wegstructuur eruitziet. Dat is wat deze onderzoekers doen: ze kijken naar het gehele netwerk, niet alleen naar losse vliegtuigen.

2. De Twee Helden: De "Slijm" en de "Kunstenaar"

Om te voorspellen of een vliegtuig moet wachten, hebben ze twee verschillende AI-methoden getest. Je kunt ze zien als twee verschillende detectives:

Detective A: CatBoost (De Slimme Slijm)

Stel je voor dat CatBoost een zeer ervaren, wat conservatieve detective is. Hij houdt van feiten en tabellen.

Hoe werkt het? Hij neemt alle losse gegevens (weer, tijd, route) en voegt daar een speciale "netwerk-smaak" aan toe. Ze hebben berekend hoe belangrijk elke luchthaven is in het hele netwerk (bijvoorbeeld: is het een druk knooppunt waar veel vliegtuigen doorheen moeten?).
De kracht: Deze detective is heel goed in het omgaan met onevenwichtige situaties. In de luchtvaart is het heel normaal dat vliegtuigen niet hoeven te wachten. Wachten is de uitzondering. CatBoost kan dit goed aan: hij raakt niet in paniek en maakt geen onnodige fouten.
Het resultaat: Hij won de wedstrijd! Hij voorspelde het meest accuraat welke vliegtuigen zouden wachten, zelfs in deze moeilijke, onevenwichtige situatie.

Detective B: GAT (De Artistieke Visionair)

De Graph Attention Network (GAT) is een moderne, artistieke detective. Hij is gewend om te kijken naar de relaties tussen mensen (of vliegtuigen) en leert zelf welke connecties belangrijk zijn.

Hoe werkt het? Hij kijkt niet naar een vooraf gemaakte lijst van feiten, maar "voelt" de connecties tussen luchthavens. Hij kan heel goed zien wie met wie praat.
Het probleem: Omdat wachten zo'n zeldzaam fenomeen is (het gebeurt maar bij een klein percentage vliegtuigen), raakte deze detective in de war. Hij probeerde te hard om de zeldzame gevallen te vinden en begon dingen te verzinnen (overfitting). Hij werd te creatief en verloor de realiteit uit het oog.
Het resultaat: Hij deed het minder goed dan de "slijm" (CatBoost) in dit specifieke geval.

3. De Creatieve Analogie: Het Netwerk van Draden

Stel je voor dat de luchtvaart een enorm web van draden is.

De oude manier (Tabellen): Kijk naar één draad en vraag: "Is deze draad nat?" (Weer).
De nieuwe manier (Grafiek ML): Kijk naar het hele web. Als je aan één draad trekt, wie beweegt er dan mee?
- De onderzoekers hebben een gewicht op elke draad gelegd (hoeveel vliegtuigen vliegen erover?).
- Ze hebben berekend welke knopen (luchthavens) het zwaarst belast worden.
- Ze hebben deze "gewicht-gegevens" gegeven aan de CatBoost-detective.

Door deze extra "netwerk-gevoel" te geven, werd de voorspelling veel scherper. Het is alsof je een weerman niet alleen de temperatuur vertelt, maar ook laat zien hoe de windstromen in de hele stad op elkaar inwerken.

4. Het Resultaat: Een Live Kaart

De onderzoekers hebben niet alleen een model gebouwd, maar ook een live tool gemaakt (genaamd Airdelay).

Wat doet het? Het is een interactieve kaart op het internet. Je kunt zien welke vliegtuigen waarschijnlijk in de wachtstand komen te staan.
Waarom is dit cool? Het maakt de complexe wiskunde zichtbaar voor iedereen. Luchtverkeersleiders of zelfs passagiers kunnen zien: "Oh, er is veel drukte op deze route, waarschijnlijk moeten we even wachten."

Samenvatting in één zin

Deze studie laat zien dat je voor het voorspellen van vliegtuigvertragingen beter kunt kijken naar het gehele netwerk (met een slimme, feitelijke AI als CatBoost) dan alleen naar losse gegevens, omdat dit helpt om de zeldzame maar kostbare momenten van "wachten in de lucht" te voorspellen.

De les voor de toekomst: In een wereld waar alles met elkaar verbonden is (zoals luchtverkeer, sociale media of verkeerslichten), is het vaak beter om naar de relaties te kijken dan alleen naar de losse onderdelen. En soms is een "ouderwetse", goed getrainde detective (CatBoost) beter dan een te creatieve kunstenaar (GAT) als het om zeldzame gebeurtenissen gaat.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Graph machine learning for flight delay prediction due to holding maneuver" in het Nederlands.

Titel: Graph Machine Learning voor de Voorspelling van Vluchtvertragingen door Wachtmanoeuvres

Auteurs: Jorge L. Franco, Manoel V. Machado Neto, Filipe A. N. Verri en Diego R. Amancio.
Bron: arXiv:2502.04233v1 (2025)

1. Probleemstelling

Vluchtvertragingen veroorzaakt door wachtmanoeuvres (holding maneuvers) zijn een kritiek en kostbaar fenomeen in de luchtvaart. Deze manoeuvres treden op wanneer vliegtuigen worden gevraagd om in een bepaald luchtruim te cirkelen, vaak als gevolg van luchthavencongestie, slecht weer of beperkingen door de luchtverkeersleiding. Hoewel essentieel voor de veiligheid, leiden ze tot:

Verhoogd brandstofverbruik en emissies.
Ontevredenheid bij passagiers.
Operationele inefficiëntie.

Traditionele machinelearning-modellen voor dit probleem gebruiken vaak tabulaire data en missen de complexe ruimtelijk-temporele relaties binnen het luchtverkeersnetwerk. Er is een gebrek aan methoden die specifiek gericht zijn op het modelleren van wachtmanoeuvres met behulp van netwerkgebaseerde benaderingen.

2. Methodologie

De auteurs modelleren het probleem als een edge feature prediction (voorspelling van randkenmerken) in een gerichte multigraf. Het doel is om te voorspellen of een specifieke vlucht (een rand in het graf) een wachtmanoeuvre zal ondergaan.

Dataverzameling en Representatie

Dataset: Twee datasets met elk 42.336 observaties, afkomstig van het ICEA (Instituto de Ciência e Tecnologia Aeroespacial).
- Classificatie: Voorspellen of een wachtmanoeuvre optreedt (zeer onbalans: 41.616 normale vluchten vs. 720 vertraagde vluchten).
- Regression: Voorspellen van de exacte duur van de vertraging in seconden.
Kenmerken: Meteorologische data (METAR/METAF), geografische data (afstand, coördinaten) en vluchtspecifieke data (tijdstip, baanconfiguratie).
Grafrepresentatie:
- Knooppunten (Nodes): Luchthavens (geaggregeerd per staat in Brazilië: SP, MG, RJ).
- Randen (Edges): Vluchten van vertrek naar aankomst.
- Multigraf naar Gewogen Graf: Omdat er meerdere vluchten tussen dezelfde luchthavenparen zijn, worden deze geaggregeerd tot één gewogen rand, waarbij het gewicht het totale aantal vluchten voorstelt. Dit is cruciaal voor het berekenen van netwerkmetrieken.

Benaderingen

De studie vergelijkt twee hoofdmethoden:

CatBoost met Grafkenmerken (Tabulaire Aanpak):
- Een gradient boosting-baasmodel dat bekend staat om zijn omgang met categorische data en class imbalance.
- Innovatie: Er worden grafgebaseerde kenmerken berekend uit het luchtverkeersnetwerk en toegevoegd als input voor de CatBoost. Deze kenmerken omvatten:
  - Betweenness Centrality: Belang van een luchthaven als transitpunt.
  - Flow Betweenness: Stroomdynamiek door het netwerk.
  - Edge Connectivity: Robuustheid van verbindingen.
  - Degree Difference: Verschil tussen in- en uitgaande vluchten.
  - Google Matrix: Een aanpassing van PageRank voor randen.
- Deze kenmerken vullen de traditionele tabulaire data aan met structurele inzichten.
Graph Attention Networks (GAT):
- Een diep leermethode (GNN) die direct leert van de grafstructuur zonder handmatig berekende kenmerken.
- Aanpassing: Omdat "wachten" een eigenschap is van een rand (vlucht) en niet van een knooppunt, wordt het GAT-model aangepast. De attention-mechanismen worden uitgebreid om randkenmerken ( $e_{ij}$ ) te integreren naast knoopkenmerken ( $h_i, h_j$ ).
- Het model voert een voorspelling uit door de embeddings van de bron- en doelknooppunten te combineren met de randkenmerken via een volledig verbonden laag (MLP).

3. Belangrijkste Bijdragen

Eerste toepassing: Dit is naar kennis van de auteurs de eerste toepassing van graph-based machine learning voor het voorspellen van vluchtvertragingen specifiek door wachtmanoeuvres.
Grafkenmerken voor Edge Prediction: Het succesvol vertalen van complexe netwerkmetrieken (zoals gewogen betweenness en aangepaste PageRank) naar bruikbare tabulaire kenmerken voor een boosting-model.
Vergelijkende Analyse: Een grondige vergelijking tussen een geavanceerde GNN (GAT) en een geoptimaliseerd gradient boosting-model (CatBoost) in een sterk onbalans scenario.
Operationeel Tool: Ontwikkeling van een webgebaseerde simulatietool ("Airdelay") voor real-time visualisatie en scenario-testen.

4. Resultaten

De resultaten tonen een verrassende uitkomst in het licht van de populariteit van GNN's voor relationele data:

CatBoost (Superieur):
- Bereikte een accuracy van 0,90 met een gebalanceerde prestatie.
- Hoewel de precisie laag was (0,09) vanwege de extreme class imbalance, had CatBoost een F1-score van 0,16 en een recall van 0,58, wat aanzienlijk beter is dan de GAT-modellen.
- Biedt interpretability: Door middel van Explainable AI (XAI) kan men zien dat grafkenmerken (zoals 'betweenness' en 'gmatrix') een significante bijdrage leveren aan de voorspelling, naast meteorologische factoren.
- Werkt goed in zowel classificatie als regressie (voorspellen van vertragingstijd).
Graph Attention Network (GAT) (Minder Effectief):
- GAT-modellen leden onder overfitting en instabiele prestaties, vooral bij diepere architecturen (3, 5, 10, 30 lagen).
- Hoewel sommige configuraties een hoge accuracy hadden (bijv. 0,95 voor 1 laag), waren de F1-scores extreem laag (0,04), wat betekent dat het model de zeldzame positieve gevallen (wachtmanoeuvres) bijna niet detecteerde.
- De complexiteit van het modelleren van edge-features in een directed multigraph bleek voor GAT in deze specifieke setting minder effectief dan het gebruik van handmatige grafkenmerken in een robuust boosting-model.

5. Betekenis en Conclusie

De studie onderstreept dat voor specifieke, sterk onbalansproblemen in de luchtvaart, geavanceerde feature engineering op basis van graftheorie gecombineerd met gevestigde tabulaire modellen (CatBoost) superieur kan zijn aan pure deep learning benaderingen (GNNs) zoals GAT.

Operationele Impact: De ontwikkelde webtool "Airdelay" stelt beheerders in staat om real-time vertragingen te simuleren en de impact van wachtmanoeuvres te visualiseren, wat helpt bij het optimaliseren van vluchtschema's en het verminderen van brandstofverbruik.
Toekomstperspectief: De auteurs wijzen op de noodzaak van betere methoden voor class imbalance (zoals GraphSMOTE) en het verkennen van hybride modellen of topologische deep learning voor randgebaseerde problemen.

Kortom, de paper bewijst dat het integreren van netwerkcentrale inzichten in traditionele ML-modellen een krachtige en interpreteerbare route is voor het verbeteren van de voorspellende nauwkeurigheid in complexe luchtvaartnetwerken.