CC BY
2
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ МАШИННОГО ОБУЧЕНИЯ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СИСТЕМАХ ОРГАНИЗАЦИИ АЭРОПОРТОВОЙ ДЕЯТЕЛЬНОСТИ И ВОЗДУШНЫХ ПЕРЕВОЗОК
В.Г. Брежнев, канд. воен. наук, доцент Е.В. Беляева, канд. пед. наук, доцент И.В. Чернышев, канд. воен. наук, доцент Ульяновский институт гражданской авиации (Россия, г. Ульяновск)
DOI:10.24412/2500-1000-2024-9-2-87-92
Аннотация. Статья посвящена направлениям применения искусственного интеллекта в гражданской авиации, где основной задачей является повышение уровня безопасности полётов и качественное обслуживание пассажиров, в частности - применению машинного обучения для совершенствования процессов организации аэропортовой деятельности и воздушных перевозок. Одним из элементов искусственного интеллекта является технология машинного обучения, которая позволяет анализировать обширные массивы данных для выявления путей сокращения затрат и повышения качества обслуживания пассажиров.
Ключевые слова: искусственный интеллект, машинное обучение, аэропортовая деятельность, воздушные перевозки, система.
Актуальность темы заключается в том, что одним из ключевых направлений применения искусственного интеллекта (ИИ) в авиации является повышение уровня безопасности полётов и обслуживания пассажиров, в частности - автоматизации и усовершенствование процессов организации аэропортовой деятельности и воздушных перевозок. Одним из элементов ИИ является технология машинного обучения, которая позволяет анализировать обширные массивы данных для выявления путей сокращения затрат и повышения качества обслуживания пассажиров, что стало недостижимо при исключительно человеческом участии из-за объема и сложности данных.
ИИ является одной из самых важных технологий современности, которая успешно проникает во все сферы нашей жизни, включая авиацию. В авиации он используется для повышения уровня безопасности полётов, эффективности, надежности и экономической составляющей полетных процессов.
Одной из наиболее значимых областей применения ИИ в авиации является автопилотирование.
Автопилотирование - это технология, позволяющая автоматически управлять воздушным судном без прямого вмешательства пилота. Искусственный интеллект вносит существенный вклад в улучшение функциональности автопилотов, делая их более адаптивными, интеллектуальными и способными принимать решения в реальном времени [1-3].
ИИ в авиации используется для анализа данных с различных датчиков и систем управления полетом. Это позволяет автопилоту точно реагировать на изменения в условиях полета, такие как турбулентность, погодные условия и другие факторы, обеспечивая стабильность полета. Используя алгоритмы машинного обучения, автопилоты могут адаптироваться к изменяющимся условиям воздушного пространства. Они могут предсказывать оптимальные маршруты, учитывая текущую загруженность воздушного движения, экономить топливо и сокращать время полета.
ИИ играет ключевую роль в разработке систем автоматической посадки и взлета. Эти системы могут адаптироваться к различным условиям аэродрома и автоматически выполнять сложные маневры при
посадке и взлете. ИИ также используется для создания продвинутых систем предотвращения столкновений, которые могут обнаруживать потенциальные опасности в воздушном пространстве и предпринимать автоматические меры для их предотвращения.
Кроме этого, ИИ используется для оптимизации навигационного планирования маршрута, учитывая множество факторов, таких как погодные условия, воздушное движение, ограничения воздушного пространства и расход топлива. Алгоритмы машинного обучения позволяют создавать адаптивные маршруты, улучшая эффективность полетов.
ИИ улучшает точность навигации и систем посадки. Системы компьютерного зрения и алгоритмы обработки изображений помогают в точной и безопасной посадке в различных условиях, включая туман, низкую видимость и сложные аэродромы.
С использованием ИИ разрабатываются системы управления трафиком в воздушном пространстве, которые способны прогнозировать потоки воздушного движения, управлять ресурсами и предотвращать задержки в полетах.
Не менее важно отметить, что ИИ используется для анализа данных с различных бортовых систем, датчиков и сенсоров в реальном времени. Алгоритмы машинного обучения способны выявлять аномалии в работе двигателей, систем управления и других критически важных компонентов воздушного судна.
Системы ИИ активно сканируют окружающее воздушное пространство с использованием радаров, систем компьютерного зрения и других сенсоров. Они способны автоматически обнаруживать и классифицировать потенциальные угрозы, такие как другие воздушные суда, птицы или метеорологические явления.
Также системы ИИ могут анализировать данные о физиологических параметрах экипажа и пассажиров. Это позволяет выявлять признаки болезненных состояний, стресса или других проблем, которые могут повлиять на безопасность полета.
Алгоритмы прогнозирования, основанные на ИИ, анализируют данные и предупреждают о возможных аварийных сценариях. Это позволяет экипажу и бортовым системам принимать меры предосторожности или автоматически вмешиваться для предотвращения катастроф.
ИИ может помогать пилотам во время полета, предоставляя им информацию, рекомендации и подсказки. Например, системы автоматического оповещения и предупреждения (САОП) могут использовать ИИ для обнаружения потенциальных проблем и предупреждения пилотов о них. ИИ также может анализировать и объединять данные с различных источников, предоставляя пилотам полную картину происходящего и рекомендации по решению сложных ситуаций.
ИИ может использоваться для оптимизации планирования рейсов, распределения ресурсов и управления потоками воздушного движения. Используя алгоритмы оптимизации и анализ реального времени, ИИ может рассчитывать оптимальные маршруты, время прибытия и отлета, учитывая ограничения и предпочтения, а также изменения в условиях погоды и трафике. Это помогает сократить задержки, улучшить эффективность использования ресурсов и обеспечить более плавное движение воздушных судов.
ИИ может использоваться для мониторинга безопасности в авиации. Системы видеонаблюдения и анализа образов, оснащенные ИИ, могут автоматически обнаруживать подозрительное поведение, недостатки в безопасности оборудования и другие потенциальные угрозы. Это позволяет быстро реагировать на возникающие проблемы и принимать меры по их предотвращению.
ИИ может использоваться для обучения пилотов и других работников в авиации. Системы виртуальной реальности и дополненной реальности, основанные на ИИ, позволяют создавать симуляции полетов и тренировочные среды, где пилоты могут улучшать свои навыки и разрабатывать стратегии в условиях, максимально приближенных к реальным.
ИИ может использоваться для анализа данных с бортовых систем и черных ящиков самолетов. Это позволяет выявить закономерности и корреляции в данных, которые могут помочь установить связь между действиями пилотов и исходом полета. Анализ данных полетов с помощью ИИ позволяет выявить области, в которых требуется усовершенствование и обучение.
Машинное обучение (МО), как один из элементов ИИ, появилось после того, как долгое время пытались сделать компьютер умнее человека, давая ему все больше и больше правил и инструкций. Ученые пришли к выводу, а почему бы не написать алгоритмы, которые учатся самостоятельно на основе опыта. Так родилось машинное обучение. То есть, когда машины могут учиться на основе больших наборов данных (Big Data) вместо явно написанных инструкций и правил.
МО - это область ИИ, когда разработчик тренирует алгоритм с помощью набора данных, делая его все лучше, точнее и более эффективным. При машинном обучении алгоритмы обучаются на основе данных, но без заранее запрограммированных инструкций. То есть, машина имеет большой набор данных, а разработчик даёт ей правильные ответы, затем машина сама создает алгоритмы, которые бы удовлетворяли этим ответам. И с каждым новым дополнительным объемом данных, машина учится дальше и еще больше улучшает свою точность прогнозов.
Если вы интересовались темой искусственного интеллекта и машинного обучения, возможно уже встречались с такими понятиями как обучение с учителем (на англ. Supervised learning) и обучение без учителя (unsupervised learning) [4, 5]. Во-первых, они оба являются видами машинного обучения. Во-вторых, обучение с учителем не обязательно подразумевает, что кто-то стоит над ЭВМ и контролирует каждое его действие. В терминах машинного обучения, обучение с «учителем» означает, что разработчик уже подготовил данные для дальнейшей работы над ними ЭВМ, то есть у каждого объекта имеется метка, которая выделяет этот объект от
остальных объектов или дает ему какое-то именное или числовое наименование. А ЭВМ остается только найти закономерности между признаками объектов и их наименованиями, основываясь на этих подготовленных или как их называют помеченных данных.
Второй вид машинного обучения - это обучение без учителя. Это когда модели позволяется обучаться самостоятельно и находить информацию, которая может быть не видна очевидно для человека. В отличие от обучения с учителем, модели, которые используются в обучении без учителя, выводят закономерности и выводы на основе немаркированных данных. В немаркированных данных имеются данные и признаки, но нет ответа.
Следовательно, алгоритмы машинного обучения могут обнаруживать закономерности, тенденции и аномалии, которые незаметны для человеческого взгляда. Например, они могут помочь в оптимизации расхода сырья, сокращении времени цикла производства и улучшении качества продукции путем автоматизированного контроля процессов. Таким образом, МО использует алгоритмы, чтобы обрабатывать данные, обучаться на их основе, и принимать взвешенные решения на основе обученного. Основными задачами обучения с учителем являются:
- классификация, когда разделяют данные на классы;
- регрессия, когда делают численный прогноз на основе предыдущих данных.
Основные задачи обучения без учителя включают:
- кластеризация, когда ЭВМ делит данные на группы или кластеры;
- размерность, которая необходима для более удобной демонстрации больших объемов данных.
Для реализации задач МО создаются его модели, которые могут прогнозировать отказы оборудования, сбои в производственных процессах или дефекты продукции на ранних стадиях, что позволяет принимать меры предотвращения до возникновения проблем. Кроме того, способны оптимизировать параметры производственного оборудования в реальном вре-
мени, учитывая изменчивые условия производства и потребности рынка. Это позволяет компаниям быть более гибкими и адаптивными к изменяющимся требованиям и конкурентной среде.
Одним из важных этапов в процессе машинного обучения является оценка и выбор модели, которая наилучшим образом справится с поставленной задачей. Для этого могут использоваться следующие метрики оценки производительности:
- точность, метрика показывает, насколько точно модель предсказывает правильный класс на тестовых данных;
- полнота, метрика измеряет способность модели обнаруживать все положительные примеры в данных;
- Б-мера, гармоническое среднее между точностью и полнотой. F-мера позволяет учесть обе метрики и дает более сбалансированную оценку производительности модели;
- ЯОС-кривая, кривая позволяет оценить производительность модели при различных порогах для классификации. Ось X представляет ложно положительную частоту, а ось Y - истинно положительную частоту. Чем ближе ROC-кривая к верхнему левому углу графика, тем лучше производительность модели.
В настоящее время предлагаются следующие методы выбора модели:
- перекрестная проверка. Метод, который помогает оценить производительность модели на независимых данных. Вместо того, чтобы разделить исходный набор данных только на обучающий и тестовый наборы, перекрестная проверка разделяет их на несколько фолдов и выполняет обучение и оценку на каждом фолде;
- сеточный поиск параметров. При выборе модели можно экспериментировать с различными комбинациями параметров модели. Сеточный поиск представляет собой систематический подход, при котором перебираются все возможные комбинации параметров с использованием перекрестной проверки для оценки производительности модели;
- кривые обучения. Кривые отображают зависимость производительности модели от объема обучающих данных. Анализ
кривых обучения может помочь определить, достаточно ли данных для обучения модели и является ли дальнейшее добавление данных целесообразным.
Машинное обучение позволяет создать системы автоматизированного контроля качества обслуживания пассажиров в аэропортах и при организации воздушных перевозок, которые способны анализировать данные в реальном времени и выявлять проблемы и способы их решения. Эти системы могут использовать различные методы, такие как компьютерное зрение для анализа визуальных данных, датчики для мониторинга параметров качества обслуживания.
Модели машинного обучения могут анализировать исторические данные о возникающих проблемах, чтобы предсказать возможные проблемы в будущем. На основе этих прогнозов компании могут принимать предупредительные меры.
Примеры успешной интеграции машинного обучения в организации аэропортовой деятельности и воздушных перевозок можно найти в других различных отраслях. В настоящее время машинное обучение меняет современные аэропорты, обеспечивая безопасность, повышая продажи, управляя движением пассажиропотоков и самолетов:
- внедряется система распознавания лиц, которая сканирует входящий поток уезжающих и встречающих. Алгоритмы машинного обучения (Machine Learning) сравнивают лица с эталонами в базе данных. Если на объект заходят люди, находящиеся в розыске, система уведомляет об этом полицию и внутреннюю службу безопасности;
- разработан чат-бот концепта помощника для регистрации на рейс. Пассажир общается с роботом на живом человеческом языке, спрашивая о тарифах, нормах багажа, наиболее удобных местах и т.д. Помимо сокращения очередей на регистрацию и количества персонала, система дает авиакомпании возможность продажи дополнительных услуг. Например, если выясняется, что багаж клиента превышает разрешенную его тарифом норму, бот сразу же позволяет добавить дополнительный
чемодан с доплатой и тут же его оплатить. Также система предлагает пассажиру более удобное место в самолете, сообщая, сколько это стоит;
- машинное обучение помогает аэропорту и его резидентам, кафе и магазинам, персонализировать маркетинг, чтобы увеличить продажи и уменьшить рекламный бюджет. В частности, аэропорт Домодедово внедряет систему распознавания лиц в бизнес-залы авиакомпании S7 Airlines. Это позволит авиаперевозчику идентифицировать своих пассажиров, а аэропорту -предложить этим клиентам персональные услуги, которые подходят им по интересам или потребностям. Подобным образом это можно использовать для генерации персональных маркетинговых предложений посетителям аэровокзалов. Например, определять национальность пользователя по языку, выбранному при подключении к Wi-Fi, и показывать понятные ему рекламные сообщения о товарах и услугах аэропорта;
- очереди невыгодны аэропорту, поскольку пассажир тратит время на них вместо посиделок в кафе или прогулок по магазинам. Кроме того, непродуктивное стояние в очереди повышает стресс и, соответственно, снижает уровень удовлетворенности клиента от сервиса. Поэтому следует оптимизировать пассажиропотоки, определяя места скопления людей по записям видеокамер и подключению к Wi-Fi. На основе этих данных можно идентифицировать носителей определенного языка и маршруты их движения по терминалу, чтобы оперативно на их языке предложить им новинки ресторанного меню или магазинного ассортимента. А, чтобы увлечение шопингом не стало причиной опоздания на самолет, внедряется индивидуальное оповещения пассажиров о посадке на рейс. Система работает в каждом из магазинов duty free, сканируя посадочные талоны посетителей и направляя пассажиру оповещение на его родном языке. В сообщение указано, к какому выходу ему нужно пройти, по какому маршруту, и сколько на это потребуется времени. Еще аэропорт может использовать машинное обучение
для динамического назначения выходов на посадку и прилет. Например, если на 2-х рейсах много пассажиров, пересаживающихся с одного борта на другой, их выходы будут назначены рядом друг с другом;
- блокчейн позволит автоматизировать весь процесс пребывания пассажира в аэропорту. Каждому посетителю присваивается токен, единый для всех его поездок, по которому можно отслеживать весь путь пассажира по аэропорту. В частности, информация о смартфоне пассажира, привязанная к токену, позволит быстро найти человека, если он заблудился, заснул или опаздывает на рейс. Еще на блокчейне строятся перспективные системы обработки багажа, привязывающие данные о чемоданах к тому же токену пассажира. Это позволит отслеживать местоположение багажа в режиме онлайн и сократит время поиска сумок в случае их потери;
- трехмерное изображение всех прилетающих и улетающих самолетов в виде дополненной реальности позволит авиадиспетчеру в режиме реального времени принимать необходимые решения, находясь не только в аэропорту. Это позволит сделать центр управления воздушным движением удаленным.
Будущее машинного обучения в организации аэропортовой деятельности и воздушных перевозок обещает быть захватывающим и преобразовательным для различных отраслей промышленности. Вот несколько ключевых аспектов, которые можно ожидать: развитие автономных систем; интеграция с 1оТ(интернет вещей, internet of fings) и Big Data (большие данные); усиление роли человека в обучении систем; рост применения в новых отраслях. Машинное обучение позволяет анализировать большие объемы данных и выявлять закономерности, что помогает оптимизировать различные процессы, снижать издержки и повышать производительность. Данные технологии не только помогают компаниям достигать более высоких стандартов качества и эффективности, но и открывают новые возможности для инноваций и развития в гражданской авиации.
Библиографический список
1. Брежнев В.Г., Ефимова И.А., Совершенствование разработки принципов проектирования интерфейса пилот-воздушное судно // Инновации. Наука. Образование. - 2021. -№47. - С. 1565-1577.
2. Брежнев В.Г., Ефимова И.А., Новиков А.А. Предложения по применению адаптивного интерфейса пилота воздушного судна в ГА // Сборник: Вузовская наука в современных условиях. Сборник материалов 56-й научно-технической конференции. В 2-х частях. -Ульяновск, 2022. - С. 11-14.
3. Евменов Ю.Н., Брежнев В.Г. Анализ концепции применения искусственного интеллекта в бортовых системах воздушного судна // Обществознание и социальная психология. - 2023. - № 2-4 (46). - С. 37-43.
4. Брежнев В.Г., Беляева Е.В., Брежнев Д.В., Хрусталев В.А. Совершенствование методов обучения на основе систем управления обучением с применением современных информационных технологий // Инновации. Наука. Образование. - 2022. - №49. - С. 11211130.
5. Брежнев В.Г., Беляева Е.В. Исследование Компьютерных сетей для совершенствования методов управления качеством в аэропортовой деятельности // Научный аспект. -2023. - Т. 31. № 11. - С. 3797-3804.
EXPLORING THE POSSIBILITIES OF MACHINE LEARNING BASED ON ARTIFICIAL INTELLIGENCE IN AIRPORT MANAGEMENT SYSTEMS
AND AIR TRANSPORTATION
V.G. Brezhnev, Candidate of Military Sciences, Associate Professor E.V. Belyaeva, Candidate of Pedagogical Sciences, Associate Professor I.V. Chernyshev, Candidate of Military Sciences, Associate Professor Ulyanovsk Institute of Civil Aviation (Russia, Ulyanovsk)
Abstract. The article is devoted to the areas of application of artificial intelligence in civil aviation, where the main task is to improve flight safety and quality passenger service, in particular, the use of machine learning to improve the processes of organizing airport activities and air transportation. One of the elements of artificial intelligence is machine learning technology, which allows you to analyze vast amounts of data to identify ways to reduce costs and improve the quality of passenger service.
Keywords: artificial intelligence, machine learning, airport activities, air transportation, system.
