МОДЕЛИРОВАНИЕ ПРОЦЕССА УПРАВЛЕНИЯ ВОЗДУШНЫМ ДВИЖЕНИЕМ С ПОВЫШЕНИЕМ ИНТЕНСИВНОСТИ ПОЛЕТОВ: ПЕРСПЕКТИВА ИСПОЛЬЗОВАНИЯ ТЕОРИИ КОМПЛЕКСНЫХ СЕТЕЙ В УПРАВЛЕНИИ ВОЗДУШНЫМ ДВИЖЕНИЕМ
МОДЕЛИРОВАНИЕ ПРОЦЕССА УПРАВЛЕНИЯ ВОЗДУШНЫМ ДВИЖЕНИЕМ С ПОВЫШЕНИЕМ ИНТЕНСИВНОСТИ ПОЛЕТОВ: ПЕРСПЕКТИВА ИСПОЛЬЗОВАНИЯ ТЕОРИИ КОМПЛЕКСНЫХ СЕТЕЙ В УПРАВЛЕНИИ ВОЗДУШНЫМ ДВИЖЕНИЕМ
Ключевые слова:
воздушное движение, управление воздушным движением, воздушное судно, поток, звено, риск, прогнозирование, сеть, топология, динамический процесс, сложность, координация.Аннотация
Управление воздушным движением (УВД) является жизненно важной службой, обеспечивающей безопасность и эффективность авиаперевозок. УВД предполагает управление потоком воздушных судов в воздушном пространстве,
координацию их движений и предоставление им инструкций и информации. Однако УВД также является сложной и комплексной задачей, поскольку требует работы в динамичных и неопределенных ситуациях, высокой рабочей нагрузке и человеческом факторе. Поэтому важно понимать и оценивать сложность воздушного движения и то, как оно влияет на
процесс принятия решений авиадиспетчерами. В этой статье мы предлагаем использовать теорию комплексных сетей — раздел математики и физики, изучающий структуру и свойства сетей, для моделирования и анализа системы воздушного движения. Основной вклад данной статьи заключается в обеспечении всестороннего и комплексного подхода к
моделированию процесса УВД при увеличении интенсивности полетов. В статье демонстрируется применимость и полезность предложенных моделей для поддержки принятия решений и формирования политики в области управления воздушным движением. В статье также определяются проблемы и ограничения текущего процесса УВД и предлагаются направления будущих исследований и разработок.
Библиографические ссылки
Fei Liu, Jiawei Li, Xiangxi Wen, Yu Wang, Rongjia Tong, Shubin Liu, Daxiong Chen. Situation Assessment of Air Traffic Based on Complex Network Theory and Ensemble Learning. Appl. Sci. 2023, 13(21), 11957; https://doi.org/10.3390/app132111957
Rytter, A.; Skorupski, J. The concept of initial air traffic situation assessment as a stage of medium-term conflict detection. Procedia Eng. 2017, 187, 420–424.
Tascn, D.C.; Daz Olariaga, O. Air traffic forecast and its impact on runway capacity. a system dynamics approach. J. Air Transp. Manag. 2021, 90, 101946.
Krawczyk, B.; Minku, L.L.; Gama, J.; Stefanowski, J.; Woźniak, M. Ensemble learning for data stream analysis: A survey. Inf. Fusion 2017, 37, 132–156.
Gomes, H.M.; Barddal, J.P.; Enembreck, F.; Bifet, A. A survey on ensemble learning for data stream classification. ACM Comput. Surv. 2017, 50, 1–36.
Silva RA, D.; Canuto AM, D.P.; Barreto CA, D.S.; Xavier-Junior, J.C. Automatic recommendation method for classifier ensemble structure using meta-learning. IEEE Access 2021,1, 99.
Mehmood, Z.; Asghar, S. Customizing svm as a base learner with adaboost ensemble to learn from multi-class problems: A hybrid approach adaboost-msvm. Knowl. Based Syst. 2021, 217, 106845.
Rodríguez-Sanz, Á.; Andrada, L.R. Managing airport capacity and demand: An economic approach. IOP Conf. Ser. Mater. Sci. Eng. 2022, 1226, 012024.
Ranjan, E.; Sanyal, S.; Talukdar, P. ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations. Proc. AAAI Conf. Artif. Intell. 2020, 34, 5470–5477.
Hamilton, W.; Ying, R.; Leskovec, J. Inductive Representation Learning on Large Graphs. arXiv 2017, arXiv:1706.02216
