Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity
Created by
Haebom
저자
Edward Henderson, Dewi Gould, Richard Everson, George De Ath, Nick Pepper
개요
본 논문은 점점 혼잡해지는 영공에서 단순 항공기 수를 넘어서는 미묘한 운영 요인을 포착하지 못하는 기존 복잡성 측정 지표의 한계를 해결하기 위해 해석 가능한 그래프 신경망(GNN) 기반의 실시간 항공 교통 관제사(ATCO) 작업 수요 평가 프레임워크를 제시한다. 관제사가 항공기에 발행하는 지시 사항인 향후 발행될 허가 수를 정적 교통 시나리오 내 상호 작용으로부터 예측하는 주의 기반 모델을 사용한다. 항공기를 체계적으로 제거하고 모델 예측에 미치는 영향을 측정하여 항공기별 작업 수요 점수를 도출하는 것이 핵심이다. 제시된 프레임워크는 ATCO 영감의 휴리스틱 방식을 능가하며 기존 기준선보다 더 신뢰할 수 있는 시나리오 복잡성 추정치를 제공한다. 이 도구는 특정 항공기에 작업 수요를 귀속시켜 관제사 훈련 및 영공 재설계에 적용할 수 있는 복잡성 원인을 분석하고 이해하는 새로운 방법을 제공한다.
