Implementacja metod uczenia maszynowego do zarządzania ruchem lotniczym

• Autorzy: Kaczorowski Piotr

Identyfikatory

DOI

10.5604/01.3001.0055.0628

Warianty tytułu

EN

Implementation of machine learning methods for air traffic management

• Języki publikacji: PL

Abstrakty

PL

Współczesny rozwój technologii, mimo swego zaawansowania, nie eliminuje problemów wpływających na bezpieczeństwo i efektywność różnych dziedzin życia, w tym transportu lotniczego. Jednym z kluczowych wyzwań w tej branży pozostają opóźnienia, które mogą generować nie tylko znaczące koszty, lecz także negatywnie wpływać na bezpieczeństwo operacji lotniczych. W artykule przedstawiono zastosowanie metod uczenia maszynowego do predykcji opóźnień oraz modelowania przepustowości lotnisk. Wykorzystano algorytmy regresji, drzewa decyzyjne oraz uczenie ze wzmocnieniem do analizy danych operacyjnych. Wyniki badań wskazują, że implementacja modeli uczenia maszynowego umożliwia bardziej precyzyjne prognozowanie opóźnień, wspierając procesy decyzyjne oraz optymalizację zarządzania ruchem lotniczym.

EN

Despite significant technological advancements, various factors continue to affect the safety and efficiency of multiple industries, including air transportation. One of the critical challenges in this field remains flight delays, which not only generate substantial economic costs but also pose potential risks to operational safety. This paper explores the application of machine learning methods for delay prediction and airport capacity modeling. Regression algorithms, decision trees, and reinforcement learning techniques were employed to analyze operational data. The study findings indicate that implementing machine learning models enables more precise delay forecasting, supporting decision-making processes and optimizing air traffic management.

Słowa kluczowe

PL

uczenie maszynowe; zarządzanie ruchem lotniczym; system wspomagania decyzji; algorytm planowania; drzewo decyzyjne; regresja

EN

machine learning; air traffic control; decision support system; scheduling algorithms; decision tree; regression

• Wydawca: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONBiN
• Rocznik: 2025
• Tom: Vol. 55, iss.1
• Strony: 137--153
• Opis fizyczny: Bibliogr. 32 poz., rys., tab.

Twórcy

autor

Kaczorowski Piotr

• Graduate of Polish Air Force University (Absolwent Lotniczej Akademii Wojskowej), Poland

• https://orcid.org/0009-0009-3757-2655

Bibliografia

• 1. M. Bojarski, Analiza czasu opóźnień samolotów pasażerskich na lotnisku Chopina w Warszawie. Dęblin: LAW, 2020.
• 2. P. Gołda, M. Pigłas, H. Smoliński, and T. Zaworski, Narzędzia informatyczne wspomagające podejmowanie decyzji podczas wykonywania operacji lotniskowych, Logistyka, 2014.
• 3. S. Bourguignon, R.J. Hansman, and T.G. Reynolds, Machine Learning Approaches for Predicting Air Traffic Delay Propagation, Journal of Air Transport Management, vol. 84, 2019, DOI: 101740.
• 4. D. Schaefer and L. Morency, Reinforcement Learning for Air Traffic Flow Management Optimization, IEEE Transactions on Intelligent Transportation Systems, vol. 23, no. 5, pp. 3872–3884, 2022.
• 5. Federal Aviation Administration (FAA), NextGen Vision for the Future. U.S. Department of Transportation, 2020.
• 6. M. Vandehzad, Efficient flight schedules with utilizing Machine Learning prediction algorithms. Malmö University, 2020.
• 7. H. Balakrishnan and B. Chandran, Optimization of Air Traffic Management Strategies Using Deep Learning Techniques, Aerospace Science and Technology, vol. 145, 2023, DOI: 107635.
• 8. L. Rokach and O. Maimon, Data Mining with Decision Trees: Theory and Applications, 2nd ed. 2014.
• 9. M. Zieja, H. Smoliński, and P. Gołda, Information systems as a tool for supporting the management of aircraft flight safety, Archives of Transport, 2015.
• 10. A. Makowska, Wykorzystanie metod uczenia maszynowego do oceny niezawodności samolotu M-28 BRYZA. Dęblin: LAW, 2022.
• 11. P. Gołda, Wspomaganie decyzji wykonywania operacji lotniskowych z zastoso-waniem narzędzi symulacyjnych. Warszawa: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych, 2018.
• 12. R. Marcos, O. García-Cantú, and R. Herranz, A Machine Learning Approach to Air Traffic Route Choice Modelling. Madrid: Nommon Solutions and Technologies.
• 13. J. Tomaszewska, Zastosowanie łańcuchów Markowa, wskaźnika MTBF i uczenia maszynowego w niezawodności transportu lotniczego, Prace ITWL, vol. 12, no. 3, pp. 45–60, 2021.
• 14. K. Cur, P. Gołda, M. Izdebski, and J. Tomaszewska, Minimizing the Risk of Accidents in Ground Airport Operations Carried Out by Aircraft, Aviation and Security Issues, vol. 2, pp. 33–50, 2023.
• 15. R. Shone, K. Glazebrook, and K.G. Zografos, Applications of stochastic modeling in air traffic management, United Kingdom, 2020.
• 16. J. Tomaszewska, Wspomaganie decyzji wystąpienia zdarzeń niepożądanych w trans-porcie lotniczym z wykorzystaniem modeli uczenia maszynowego. Dęblin: LAW, 2024.
• 17. SESAR Joint Undertaking, SESAR Solutions Catalogue. Publications Office of the European Union, 2019.
• 18. G. Wild, G. Baxter, P. Srisaeng, and S. Richardson, Machine Learning for Air Transport Planning and Management. 2021.
• 19. P. Kaczorowski, Zastosowanie metod uczenia maszynowego do zarządzania ruchem lotniczym. Dęblin: LAW, 2022.
• 20. A. Sameer and V. Duong, An Air Traffic Controller Action Extraction-Prediction Model Using Machine Learning Approach, Air Traffic Management Research Institute, Nanyang Technological University.
• 21. J. Manerowski, K. Cur, P. Gołda, and K. Przanowski, Predictive modeling of flight delays using decision tree, Aviation and Security Issues, vol. 4, no. 2, pp. 389–404, 2023.
• 22. K. Malinowski, P. Gołda, and M. Zieja, Application of Artificial Intelligence Methods in Air Traffic Management, Archives of Transport, vol. 65, no. 1, pp. 45-58, 2023.
• 23. Ministerstwo Infrastruktury, Polityka rozwoju lotnictwa cywilnego w Polsce do 2030 r., Warszawa, 2021.
• 24. Y.W. Ho, L.C. Tang, L.S. Young, and W.Y. Ochieng, A Data-Driven Approach to Predicting Airport Congestion and Delay Propagation Using Big Data Analytics, Transportation Research Part E, vol. 150, 2021, DOI: 102356.
• 25. Y. Ding, Predicting flight delay based on multiple linear regression, MSETEE 2017, IOP Publishing, 2017.
• 26. A. Gardi, R. Sabatini, N. Pongsakornsatchien, and Y. Xie, Explanation of Machine-Learning Solutions in Air-Traffic Management. Melbourne: RMIT University, 2021.
• 27. M. Rabiej, Statystyka z programem Statistica. Gliwice: Helion, 2012.
• 28. T. Masters, Sieci neuronowe w praktyce. Warszawa: WNT, 1996.
• 29. M. Zieja, P. Gołda, and B. Kurzyk, System Informatyczny wspierający proaktywne zarządzanie bezpieczeństwem lotów w Służbie Ruchu Lotniczego SZ RP – TURAWAMATS, Kwartalnik Urzędu Patentowego RP, vol. 4, pp. 45–60, 2017.
• 30. STATISTICA Neural Networks TM PL, Wprowadzenie do sieci neuronowych. Kraków: StatSoftR, 2001.
• 31. T. Tanabe, S. Nakasuka, and J. Nogami, Real-time decision support for air traffic management, utilizing machine learning, Japonia, 1996.
• 32. K.G. Zografos, Y. Salouras, and M.A. Madas, “Dealing with the Efficient Allocation of Scarce Resources at Congested Airports,” Transportation Research Part C: Emerging Technologies, vol. 21, iss. 1, 2012, https://doi.org/10.1016/j.trc.2011.10.008.