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

Technische Samenvatting: Voorspellingen van complexiteit op basis van grafen in het UK-en-route-luchtruim met gebruikmaking van relevante vliegtuiginteracties

Probleemstelling
Een effectief beheer van de werkdruk van verkeersleiders (ATCO) is cruciaal voor de operationele veiligheid. Groepsbeheerders vertrouwen momenteel op hulpmiddelen die het verkeersvolume schatten om beslissingen te nemen over sectorconfiguratie en roostering. Echter, complexiteitsmodellen die de industriestandaard vormen, slagen er vaak niet in de nuances van luchtverkeerscomplexiteit vast te leggen. Deze modellen vertrouwen doorgaans op deterministische trajectvoorspellingen en heuristische maatstaven (bijvoorbeeld het totale aantal vliegtuigen of klimmende/dalende vliegtuigen) die niet de nodige precisie bezitten om toekomstige verkeersconfiguraties nauwkeurig te modelleren. Ze overschatten vaak de complexiteit in scenario's met weinig verkeer waar specifieke route-overlappingen optreden, en houden geen rekening met de inherente onzekerheid in aankomsttijden van vliegtuigen en de waarschijnlijkheid dat vliegtuigen van hun ingediende routes worden afgeleid. Bovendien is complexiteit sector-specifiek en wordt deze gedreven door "relevante" interacties in plaats van puur volume, wat het moeilijk maakt om generaliseerbare numerieke maatstaven te ontwikkelen.

Methodologie
De studie stelt een probabilistisch raamwerk voor om de complexiteit van het luchtruim te voorspellen in het London Middle Sector (LMS), een complex gebied met meerdere klim- en dalstromen boven grote Europese luchthavens. De methodologie bestaat uit drie hoofdbestanddelen:

1. Aanpassing van een filter voor relevante vliegtuigen:
   De auteurs hebben een bestaand algoritme voor het filteren van vluchten (oorspronkelijk van Vijay Kumbhar et al.) aangepast als proxy voor de werkdruk van ATCO's. Dit filter identificeert paren "relevante" vliegtuigen – die welke bewaking of ontkoppeling vereisen – in plaats van alleen die welke zich in onmiddellijk conflict bevinden.

   • Iteratieve verfijning: Aan de hand van kwalitatieve feedback van gelicentieerde ATCO's in het Swanwick Centre werd het filter afgestemd op het LMS. Dit omvatte het aanpassen van parameters (bijvoorbeeld laterale afstandsdrempels, verticale afstandsspanningen) en het integreren van nieuwe logica:
     • Afhandeling van achtervolgende vluchten: Uitsluiten van vliegtuigen met verwaarloosbare relatieve snelheid binnen een specifieke laterale kegel.
     • Afwijkende routes: Uitsluiten van vliegtuigen met voldoende laterale scheiding op afwijkende paden.
     • Datagedreven verticale profilering: Vervanging van eenvoudige snijpunten van vluchtniveau-spanningen door probabilistische trajectvoorspellingen (met een 2σ betrouwbaarheidsinterval) om klim- en dalkegels te modelleren, waardoor vals-positieven worden verminderd.
     • Operationele trajectvoorspelling: Gebruik maken van de laatst uitgegeven ATCO-instructie (vrijgave) in plaats van alleen de ingediende vluchtplan of op staat gebaseerde aannames om trajecten van onderzochte vliegtuigen te genereren.
   • Evaluatie: Het afgestemde filter werd gevalideerd aan de hand van 50 statische verkeersscenario's die door ATCO's waren gelabeld, waarbij een F1-score van 0,84 werd behaald, vergeleken met 0,69 voor de oorspronkelijke parameters.

2. Grafische weergave van routes:
   Om voorspelling te facilitereren, hebben de auteurs een opnieuw bemonsterde grafische weergave van het LMS-routenetwerk opgebouwd.

   • Opnieuw bemonsteren: Historische vluchtplannen (januari–december 2024) zijn omgezet in een graaf waarbij randen lineair zijn onderverdeeld en geklonterd om consistente ruimtelijke precisie te garanderen (randen van 5–10 NM). Dit standaardiseerde de routebenen, waardoor het mogelijk werd vergelijkbare routes te bundelen en fijnere ruimtelijke voorspellingen te doen.
   • Opzoeken: Er is een vertaaltabel gemaakt om oorspronkelijke vluchtplaatspunten (waypoints) te koppelen aan de opnieuw bemonsterde grafische structuur.

3. Probabilistische complexiteitsvoorspelling:
   De voorspellingmethode voorspelt het aantal relevante vliegtuigparen tot 45 minuten van tevoren door de volgende elementen te combineren:

   • Levend operationeel data: Voorspellingen van aankomsttijden afkomstig van de Flight Data Processor (NAS FDP) van het NATS National Airspace System.
   • Bewenningskans: Een statistisch model dat ervan uitgaat dat aankomsttijden van vliegtuigen bij waypoints een normale verdeling volgen ($N(\mu, \sigma^2)$, met $\sigma=5$ minuten). Dit berekent de kans dat een vliegtuig een specifiek route-segment bezet op een toekomstig query-moment.
   • Historische prioren: Een empirische verwachtingswaarde ($E[X | O_i, O_j]$) afgeleid van historische data, die de kans weergeeft dat twee vliegtuigen die specifieke routebenen bezetten ($O_i, O_j$) een relevant paar vormen.
   • Voorspellingsformule: Het totale verwachte aantal relevante paren wordt berekend door het product van bewenningskansen en de historische verwachting van relevantie voor alle paren routebenen op te tellen.

Belangrijkste resultaten

• Filterprestaties: Het bijgewerkte filter toonde superieure prestaties ten opzichte van het oorspronkelijke algoritme, met een precisie, recall en F1-score van 0,84 (tegenover respectievelijk 0,67, 0,72 en 0,69) op de door ATCO's gelabelde testset.
• Voorspellingsnauwkeurigheid: Bij het voorspellen van relevante paren 30 en 45 minuten van tevoren bereikte de voorgestelde methode een rangcorrelatiecoëfficiënt van Spearman ($\rho$) van 0,68 met het werkelijke aantal relevante paren geïdentificeerd door het filter.
• Vergelijking met baseline: Deze correlatie was aanzienlijk sterker dan een standaardvoorspelling van verkeersvolume (het tellen van vliegtuigen in de sector), wat een $\rho$ van 0,55 opleverde.
• Statistische significantie: Een analyse met een moving block bootstrap bevestigde dat de correlatie van de voorgestelde methode met de werkelijke werkdruk statistisch significant hoger was dan de verkeersvolume-baseline (gemiddeld verschil 0,134, 95% CI [0,064, 0,211], $p=0,0004$ voor de 45-minuten lookahead).
• Berekenings-efficiëntie: Het hulpmiddel genereert voorspellingen in minder dan één seconde op een standaard laptop, waardoor het haalbaar is voor real-time toepassing binnen één enkele radarsweep (~6 seconden).

Betekenis en claims
Het artikel stelt dat het voorgestelde datagedreven hulpmiddel een nauwkeurigere proxy biedt voor de werkdruk van ATCO's dan de huidige industriestandaarden, door zich te richten op "relevante interacties" in plaats van ruw verkeersvolume. Door gebruik te maken van probabilistische modellering van aankomsttijden en een grafische weergave van het luchtruim, houdt de methode rekening met onzekerheid en operationele realiteiten (zoals het afleiden van vliegtuigen) die deterministische modellen missen.

De auteurs stellen dat dit hulpmiddel potentie heeft om groepsbeheerders te ondersteunen bij het nemen van geïnformeerde beslissingen over sectorconfiguratie en ATCO-roostering. De studie benadrukt dat de aanpak specifiek is afgestemd op de geometrische en operationele kenmerken van het LMS-sectoren. Hoewel de resultaten veelbelovend zijn, merken de auteurs op dat de evaluatie beperkt was tot één dag en één sector. Bijgevolg stellen zij dat het hulpmiddel verdere kalibratie en evaluatie vereist over verschillende seizoenen en sectoren voordat het breder kan worden ingezet, met name voor sectoren boven het huidige hoogtebereik van het LMS.