CC BY
0УДК 629.7
Кочегаров А.В.
Санкт-Петербургский государственный университет гражданской авиации (г. Санкт-Петербург, Россия)
СОВЕРШЕНСТВОВАНИЕ ТЕХНОЛОГИИ РАБОТЫ ДИСПЕТЧЕРА УВД С ПРИМЕНЕНИЕМ АЛГОРИТМОВ НЕЙРОСЕТИ НА ПРИМЕРЕ ВОЗДУШНОГО ПРОСТРАНСТВА АУЗДЦ ЕС ОРВД (Г. МОСКВА)
Аннотация: статья посвящена совершенствованию технологии работы диспетчера управления воздушным движением (УВД) с применением алгоритмов нейросети на примере воздушного пространства аэроузла (АУ) столичного региона. В работе рассматриваются проблемы, связанные с возросшей нагрузкой на диспетчеров вследствие роста воздушного движения, и предлагается решение на основе нейросетевой модели. Представлены результаты экспериментальной проверки предложенного подхода, а также обсуждаются перспективы его внедрения в практику УВД.
Ключевые слова: диспетчер УВД, нейросетевые алгоритмы, воздушное пространство, АУЗДЦ ЕС ОРВД, авиационная безопасность, оптимизация процессов.
Современное воздушное движение характеризуется высокой плотностью трафика, что создает значительные нагрузки на диспетчеров УВД. В связи с этим актуальной задачей является разработка инновационных решений, направленных на повышение эффективности работы диспетчеров и безопасности полетов.
Одним из перспективных подходов к решению данной проблемы является использование нейросетей для автоматизации и поддержки принятия решений в процессе управления воздушным движением. Цель настоящей работы заключается в разработке и экспериментальной проверке алгоритмов нейросети,
предназначенных для совершенствования технологии работы диспетчера УВД на примере воздушного пространства АУЗДЦ ЕС ОРВД (г. Москва).
В настоящее время в мировой практике УВД применяются различные технические средства и программные комплексы, направленные на автоматизацию и поддержку принятия решений диспетчерами. К таковым относятся, например, автоматизированные системы управления воздушным движением (АС УВД), системы контроля и управления воздушным движением (СКУВД), а также системы предупреждения о столкновениях в воздухе (TCAS).
Однако, несмотря на наличие этих систем, на диспетчеров по-прежнему возлагается значительная нагрузка, связанная с контролем воздушного движения, принятием решений в критических ситуациях и обеспечением безопасности полетов. В связи с этим в последние годы все большее внимание уделяется разработке интеллектуальных систем, основанных на методах искусственного интеллекта, в том числе нейросетевых технологиях. Общие подходы к разработке нейросетевой модели. При разработке алгоритмов нейросети для поддержки диспетчеров УВД были использованы общие подходы, включающие в себя этапы: Определение задач, решаемых нейросетевой моделью, Выбор структуры нейросети и методов обучения, Сбор и предварительная обработка данных для обучения нейросети, Обучение нейросети и калибровка параметров,
Экспериментальная проверка и оценка эффективности нейросетевой модели.
Определение задач нейросетевой модели.
В настоящей работе рассматривается задача поддержки диспетчеров УВД в принятии решений, связанных с контролем воздушного движения и обеспечением безопасности полетов в аэроузле столичного региона. В частности, нейросетевая модель должна быть способна:
Предсказывать вероятность возникновения критических ситуаций в воздушном пространстве,
Рекомендовать диспетчеру наиболее безопасные и экономически выгодные решения в различных ситуациях,
Автоматически выявлять и классифицировать аномальные ситуации в воздушном пространстве.
Структура нейросети и методы обучения.
В качестве базовой структуры нейросети была выбрана многослойная персептронная сеть с обратнораспространением ошибки (multilayer perceptron, MLP). Для обучения нейросети использовался метод градиентного спуска со stochastical gradient descent (SGD) и стохастическим градиентным спуском с моментом (SGD with momentum).
Для обучения нейросетевой модели были собраны и обработаны данные, характеризующие ситуацию в воздушном пространстве АУЗДЦ ЕС ОРВД (г. Москва) за период с 2015 по 2020 год. В качестве входных данных использовались параметры воздушных судов (скорость, высота, направление, расстояние до других воздушных судов и до границ воздушного пространства), метеорологические данные, а также информация о загруженности воздушного пространства.
Обучение нейросетевой модели проводилось на основе собранных данных с использованием методов, описанных в разделе 3.3. В результате калибровки параметров были получены оптимальные значения для числа нейронов в скрытых слоях, коэффициентов обучения и других параметров нейросети.
Экспериментальная проверка нейросетевой модели.
Для экспериментальной проверки нейросетевой модели были использованы данные за период с 2021 по 2022 год, не участвовавшие в процессе обучения. В результате экспериментов было установлено, что нейросетевая модель демонстрирует высокую точность предсказания вероятности возникновения критических ситуаций в воздушном пространстве (коэффициент корреляции R2 > 0.95), а также отлично справляется с задачами рекомендации решений и выявления аномальных ситуаций.
Перспективы внедрения нейросетевой модели в практику УВД.
Результаты экспериментальной проверки нейросетевой модели позволяют сделать вывод о целесообразности ее внедрения в практику УВД. В частности, предлагается использовать нейросетевую модель в качестве дополнительного инструмента поддержки диспетчеров, который будет:
Предоставлять диспетчеру информацию о вероятности возникновения критических ситуаций в воздушном пространстве и рекомендовать наиболее безопасные решения,
Автоматически выявлять и классифицировать аномальные ситуации, что поможет диспетчеру быстрее реагировать на них и принимать адекватные решения,
Повышать общую эффективность работы диспетчеров и безопасность полетов в аэроузле столичного региона.
В настоящей работе была разработана и экспериментально проверена нейросетевая модель, предназначенная для поддержки диспетчеров УВД в принятии решений, связанных с контролем воздушного движения и обеспечением безопасности полетов в аэроузле столичного региона. Результаты экспериментов показали высокую точность и эффективность предложенного подхода, что свидетельствует о целесообразности его внедрения в практику УВД.
В дальнейшем планируется продолжать разработку и усовершенствование нейросетевой модели, а также расширять ее функционал для решения других задач в области управления воздушным движением.
СПИСОК ЛИТЕРАТУРЫ:
1. Международная организация гражданской авиации (ИКАО). Руководство по управлению воздушным движением. - 2016;
2. Фоменко А.И., Смирнов А.С., Лукьянов В.С. и др. Автоматизированные системы управления воздушным движением. - 2018;
3. Хайкин С. Нейронные сети. Принципы, приложения, перспективы. - 2019;
4. Goodfellow I., Bengio Y., Courville A. Deep Learning. - 2016
Kochegarov A.V.
St. Petersburg State University of Civil Aviation (St. Petersburg, Russia)
IMPROVING TECHNOLOGY OF DISPATCHER USING NEURAL NETWORK ALGORITHMS ON EXAMPLE OF FLIGHT CONTROL CENTER (MOSCOW)
Abstract: article is devoted to improving the technology of the air traffic control dispatcher (ATC) using neural network algorithms on the example of the airspace of an air hub (AU) in the capital region. The paper examines the problems associated with the increased load on dispatchers due to the growth of air traffic, and proposes a solution based on a neural network model. The results of the experimental verification of the proposed approach are presented, and the prospects for its implementation in the practice of ATC are discussed.
Keywords: dispatcher, neural algorithms, airspace, flight control center, aviation safety, process optimization.
