Elke dag functioneert een grote luchthaven als een enorme, ademende organisme. Terwijl passagiers alleen de vliegtuigen zien opstijgen en landen, werkt een complexe ballet van grondondersteuningsvoertuigen onvermoeibaar onder het asfalt. Dit zijn de bussen die reizigers vervoeren, de vrachtwagens die bagage transporteren, de tankwagens die vliegtuigen bijtanken en de karren die maaltijden leveren. Elk vlucht heeft een strikt schema, een specifieke gate en een nauwe tijdspanne waarin deze diensten voltooid moeten zijn. Als een cateringwagen te laat arriveert of een tankvoertuig vaststaat in het verkeer, kan het vliegtuig niet vertrekken, wat een rimpeleffect van vertragingen veroorzaakt dat de hele luchthaven kan verlammen. De uitdaging voor luchthavenbeheerders is om tientallen voertuigen te coördineren die vanuit verschillende parkeergebieden vertrekken om honderden vluchten te bedienen, waarbij wordt gewaarborgd dat elke taak op tijd wordt uitgevoerd zonder brandstof of tijd te verspillen. Dit is een probleem van immense schaal en complexiteit, waarbij een enkele fout in de planning duizenden dollars kan kosten en de reisplannen van ontelbare mensen kan verstoren.

Decennialang hebben experts geprobeerd dit op te lossen met traditionele computerprogramma's die de beste mogelijke routes berekenen. Deze methoden werken goed voor kleine luchthavens of eenvoudige schema's, maar ze worstelen wanneer het aantal vluchten groot wordt. Het enorme aantal mogelijke combinaties wordt zo groot dat zelfs de snelste supercomputers niet in staat zijn om tijdig een goede oplossing te vinden. Andere benaderingen vertrouwen op menselijke experts om vuistregels op te stellen, maar deze regels zijn vaak te rigide om de chaotische realiteit van een drukke hub aan te kunnen. Onlangs is er een nieuwe generatie computerprogramma's opgekomen die leert van ervaring in plaats van vaste regels te volgen, net zoals een kind dat leert navigeren door een stad. De meeste van deze leersystemen waren echter ontworpen voor eenvoudigere problemen waarbij alle voertuigen vanuit één centraal punt vertrekken, wat niet de realiteit weerspiegelt van moderne luchthavens waar voertuigen verspreid zijn over meerdere depots.

Een team van onderzoekers van het Tweede Onderzoeksinstituut van de Civiele Administratie van China heeft een nieuwe aanpak ontwikkeld om dit specifieke probleem aan te pakken. Ze hebben een systeem gecreëerd dat kunstmatige intelligentie combineert met een slimme tweestapsstrategie om de grondplanning van een grote hub-luchthaven in Zuidwest-China te beheren. Hun methode is ontworpen om de enorme complexiteit aan te kunnen van het coördineren van honderden vluchten en voertuigen gelijktijdig, een taak die voorheen zowel traditionele oplossers als bestaande leergebaseerde systemen te moeilijk was. De onderzoekers hebben hun systeem niet alleen theoretisch voorgesteld; ze hebben het getest tegen echte wereldgegevens en ontdekten dat het sneller en effectiever kwalitatief hoogwaardige schema's kan genereren dan de beste tools die momenteel beschikbaar zijn.

De kern van hun oplossing ligt in het opdelen van het enorme probleem in twee beheersbare fasen. Eerst negeert de computer tijdelijk het feit dat voertuigen vanuit verschillende locaties vertrekken. In plaats daarvan stelt het zich één enkel, virtueel centraal punt voor van waaruit alle voertuigen vertrekken. Door dit te doen, wordt het complexe probleem van meerdere startpunten getransformeerd naar een eenvoudigere versie die de kunstmatige intelligentie efficiënt kan oplossen. Het systeem gebruikt een type neuraal netwerk, een computerarchitectuur geïnspireerd door het menselijk brein, om te leren hoe het deze routes stap voor stap kan opbouwen. Het oefent op duizenden gesimuleerde scenario's en leert de volgende vlucht te kiezen om te dienen op een manier die de totale reisafstand minimaliseert en aan de tijdslimieten voldoet. Dit leerproces wordt gedreven door versterking, waarbij het systeem wordt beloond voor goede keuzes en gestraft voor slechte keuzes, waardoor het vermogen om efficiënte schema's te creëren geleidelijk wordt verfijnd.

Zodra het systeem een reeks routes heeft gegenereerd op basis van dit virtuele centrale punt, begint de tweede fase. Hier introduceert de computer de realiteit van de luchthaven opnieuw: de voertuigen vertrekken feitelijk vanuit vier verschillende echte depots. Het systeem neemt vervolgens de zojuist gecreëerde routes en wijst elk van hen toe aan het echte depot dat het dichtst bij het begin en einde van die route ligt. Om te garanderen dat deze toewijzing zo efficiënt mogelijk is, gebruikten de onderzoekers een gespecialiseerd zoekalgoritme dat verschillende combinaties verkent om de beste pasvorm te vinden, waarbij wordt gewaarborgd dat geen enkel depot wordt overbelast met meer voertuigen dan beschikbaar is. Dit tweestaps-proces stelt het systeem in staat om de snelheid en aanpassingsvermogen van kunstmatige intelligentie te benutten, terwijl het nog steeds rekening houdt met de fysieke beperkingen van de lay-out van de luchthaven.

De onderzoekers testten hun methode op een echte hub-luchthaven die dagelijks tussen de 800 en 1.200 vluchten afhandelt, met tot wel 1.000 service-taken om te coördineren in één enkel geval. Ze vergeleken hun systeem met verschillende andere methoden, waaronder krachtige commerciële software en geavanceerde algoritmen die door andere onderzoekers worden gebruikt. De resultaten toonden aan dat hun nieuwe aanpak consequent betere schema's produceerde in een fractie van de tijd. Terwijl traditionele software uren nodig had om een oplossing te produceren die nog steeds niet perfect was, genereerde het nieuwe systeem in enkele seconden hoogwaardige schema's. Voor de grootste en moeilijkste testgevallen, waarbij 1.000 vluchten betrokken waren, verminderde de nieuwe methode de totale reisafstand aanzienlijk meer dan de op één na beste concurrent, terwijl er ook minder voertuigen nodig waren om de klus te klaren.

De studie onderzocht ook hoe het systeem presteerde wanneer het werd toegepast op echte operationele gegevens die gedurende een maand op de luchthaven zijn verzameld. De tests bestonden uit drie verschillende soorten gronddiensten: bagageafhandeling, bijtanken en catering. In elk geval leverde het systeem snel oplossingen, waarbij de gemiddelde tijd om een schema voor een dag aan vluchten te genereren minder dan 17 seconden bedroeg. Het aantal voertuigen dat nodig was om deze schema's uit te voeren, lag ruim binnen de limieten van het werkelijke wagenpark van de luchthaven, wat aantoont dat het systeem niet slechts een theoretische oefening is, maar een praktisch instrument dat klaar is voor implementatie. De onderzoekers merkten op dat het vermogen van het systeem om zich aan te passen aan verschillende schalen van problemen, van dagen met minder vluchten tot massale dagen met meer dan duizend, suggereert dat het een betrouwbare partner kan zijn voor luchthavenbeheerders.

Dit werk vormt een belangrijke stap voorwaarts in het toepassen van kunstmatige intelligentie op logistiek in de echte wereld. Door succesvol leergebaseerde methoden aan te passen om de multi-depot natuur van grondoperaties op luchthavens te hanteren, hebben de onderzoekers aangetoond dat het mogelijk is om problemen op te lossen die voorheen als te groot en complex werden beschouwd voor deze technieken. Hun bevindingen suggereren dat de toekomst van luchthavenbeheer kan rusten op systemen die kunnen leren en zich in realtime kunnen aanpassen, om ervoor te zorgen dat het grondondersteuningsnetwerk het tempo van het onophoudelijke ritme van het moderne luchtverkeer bijhoudt. Het succes van deze aanpak opent de deur naar verdere verbeteringen, zoals het gelijktijdig coördineren van meerdere soorten diensten, wat de efficiëntie en betrouwbaarheid van de wereldwijde luchtvaart verder kan vergroten.