AI-система управления воздушным движением
Европейское воздушное пространство: 35 000 рейсов в сутки, 1 диспетчер ведёт 10–15 бортов одновременно. TCAS (Traffic Collision Avoidance System) — последний эшелон защиты, но управление потоком начинается задолго до. ML здесь не заменяет диспетчера — он снижает когнитивную нагрузку и решает задачи, с которыми человек физически не справляется: оптимизация 500 маршрутов одновременно с учётом погоды, воздушных коридоров и временных слотов.
Предсказание и разрешение конфликтов
Conflict Detection & Resolution (CD&R)
Конфликт: два борта предсказывают нарушение separation minima (5 NM горизонталь или 1000 фут вертикаль) в течение lookahead window 20 мин. На загруженном секторе диспетчер получает 40–60 краткосрочных предупреждений в час, из которых 70–80% — false positive от STCA (Short-Term Conflict Alert).
ML-фильтр: классификатор (XGBoost или LSTM на треках последних 5 минут) отделяет реальные конфликты от процедурных пересечений. На датасете Eurocontrol DDR2: precision 0.94 при recall 0.97, против recall 0.99 и precision 0.23 у чистого STCA. Снижение false positive на 64% — диспетчер не захлёбывается в алертах.
CD&R Resolution: Deep Reinforcement Learning для генерации resolution advisories. Агент обучается в симуляторе (BlueSky ATC simulator — open source Python) на сценариях конфликтов. Действия: изменение курса ±[5, 10, 15, 20]°, изменение скорости, изменение эшелона. Награда: разрешение конфликта + минимальное отклонение от плана.
# BlueSky симулятор как среда для RL
import bluesky as bs
from gymnasium import Env
class ATCEnv(Env):
def __init__(self):
bs.init(mode='sim')
self.action_space = ... # дискретные действия диспетчера
self.observation_space = ... # треки бортов, эшелоны, скорости
def step(self, action):
# Применяем команду, шагаем симулятор на 10 сек
bs.sim.step()
obs = self._get_observation()
reward = self._compute_reward()
return obs, reward, done, info
Оптимизация потоков и ATFM
Network Manager Operations Centre (NMOC)
Eurocontrol NMOC балансирует нагрузку между секторами через ATFM (Air Traffic Flow Management) слоты. Когда сектор перегружен — борты получают ground delay или re-routing.
ML-задача: предсказать нагрузку секторов за 2–6 часов для превентивного управления. Входные данные: filed flight plans, актуальные треки, метеопрогноз, NOTAMs. LSTM или Temporal Fusion Transformer (TFT) на временных рядах нагрузки секторов. MAE прогноза на 2-часовом горизонте: 1.8–2.4 борта vs. 4.1 у baseline.
Collaborative Decision Making (CDM)
Алгоритм распределения ATFM слотов: Ration-by-Schedule (RBS) — аэропорты и авиакомпании передают приоритеты, алгоритм назначает слоты минимизируя суммарный delay cost. ML-компонент: предсказание реального времени готовности борта к вылету (TOBT accuracy) на основе исторических паттернов авиакомпании.
Метеоинтеграция и маршрутизация
Significant Weather (SIGWX) обход
Конвективная деятельность (грозовые ячейки): детектируется по radar composite и спутниковым снимкам (GOES-16/17, Meteosat). CV-модель (U-Net) сегментирует опасные зоны. Горизонт прогноза: 1–2 часа с обновлением каждые 15 мин (Nowcasting).
Dynamic airspace routing: генерация обходных маршрутов через API с учётом актуальных SIGWX + NOTAM + restricted areas. Оптимизатор: graph-based shortest path (Dijkstra/A* на графе waypoints) с весами по fuel cost и delay.
Wake turbulence management
Новые wake turbulence категории RECAT (Re-Categorization): ML-модель предсказывает vortex decay time на основе meteorological conditions (crosswind, atmospheric stability, temperature gradient). Позволяет сократить separation minima в благоприятных условиях → рост пропускной способности ВПП на 5–8%.
Airport Surface Management
A-SMGCS (Advanced Surface Movement Guidance & Control System)
Аэропорт в условиях LVP (Low Visibility Procedures): руление по перрону и РД — высокорисковый процесс. ML-компоненты:
- Детекция инцидентов runway incursion через MLAT (Multilateration) данные
- Оптимизация последовательности вылета (departure sequencing) через MILP с ML-предсказанием TOBT
- Предсказание taxi time для точного TTOT (Target Take-Off Time)
Предсказание taxi time: Random Forest на фичах (время суток, нагрузка на аэропорт, stand location, destination runway). RMSE 1.8 мин vs. 3.4 мин у static lookup table.
Стек и интеграция
Данные ATC: ASTERIX (стандарт Eurocontrol для радарных данных), SWIM (System Wide Information Management) — XML/AMQP шина. Обработка: Apache Flink для real-time stream processing треков. Хранение: ClickHouse для OLAP по историческим треккам. Моделирование: PyTorch, scikit-learn. Визуализация: React + Mapbox GL JS для situational display.
Сертификация
AI в ATC регулируется ICAO Doc 9613 (PBN Manual) и EASA AI Roadmap. Safety case по ARP 4761: hazard analysis, failure mode assessment. Shadow mode deployment обязателен — модель работает параллельно с действующей системой минимум 6–12 месяцев перед любым advisory функционалом.
Срок разработки decision-support системы: 12–20 месяцев без сертификации. С сертификационным сопровождением: 24–36 месяцев.