DOI: https://doi.org/10.1016/j.physa.2026.131318
تاريخ النشر: 2026-01-24
المؤلف: Jorge Luiz De Franco وآخرون
الموضوع الرئيسي: تكنولوجيا الفضاء والطيران
نظرة عامة
تبحث هذه الدراسة في التنبؤ بتأخيرات الرحلات الجوية الناتجة عن مناورات الانتظار، وهي قضية هامة في الطيران بسبب ازدحام حركة المرور الجوية ومخاوف السلامة. تستخدم الدراسة تقنيات متقدمة في تعلم الآلة على الرسوم البيانية (Graph ML) لنمذجة حركة المرور الجوية كشبكة موجهة، مع التركيز على التنبؤ بميزات الحواف. يتم استكشاف منهجيتين: CatBoost، التي تدمج ميزات قائمة على الرسوم البيانية لتعزيز مركزية الشبكة وترابطها، وشبكات الانتباه الرسومية (GATs)، المعروفة بفعاليتها في سياقات البيانات العلائقية. تكشف النتائج أن CatBoost يتفوق على GATs في التنبؤ بأحداث الانتظار ضمن مجموعة بيانات غير متوازنة، مما يبرز أهمية هندسة الميزات القائمة على الرسوم البيانية من أجل القابلية للتفسير والكفاءة التشغيلية.
تقدم الدراسة أيضًا أداة قائمة على الويب للتنبؤ بتأخيرات الوقت الحقيقي، مما يعرض التطبيقات العملية للنماذج التنبؤية في إدارة حركة المرور الجوية. على الرغم من أن النتائج واعدة، تحدد الدراسة القيود، مثل غياب تقنيات استيفاء البيانات الصريحة للمعلومات المفقودة. يُقترح العمل المستقبلي لاستكشاف طرق زيادة العينة مثل GraphSMOTE لتمثيل أفضل للأحداث الانتظارية الممثلة تمثيلاً ناقصًا، ولدمج تقنيات التعلم العميق الطوبولوجي للحصول على رؤى أعمق حول ديناميات تأخير الرحلات. بالإضافة إلى ذلك، يتم اقتراح نماذج هجينة تجمع بين الشبكات العصبية الرسومية (GNNs) وتعزيز التدرج، جنبًا إلى جنب مع دمج بيانات حركة المرور الجوية والطقس في الوقت الحقيقي، لتعزيز دقة التنبؤ والموثوقية في الإعدادات التشغيلية. بشكل عام، تسلط هذه الدراسة الضوء على إمكانيات الأساليب القائمة على الرسوم البيانية لتحسين جدولة الرحلات، وتقليل التأخيرات، وتحسين تجارب الركاب في المشهد المتطور لإدارة المجال الجوي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاعتماد المتزايد لصناعة الطيران على الأساليب المعتمدة على البيانات لتعزيز الكفاءة التشغيلية والتخفيف من التأخيرات، مع التركيز بشكل خاص على التنبؤ بمناورات الانتظار. هذه المناورات، التي تقتضيها عوامل مثل ازدحام المطارات والطقس السيئ، تؤدي إلى زيادة استهلاك الوقود، والانبعاثات، وعدم رضا الركاب. تهدف الدراسة إلى تحسين دقة التنبؤات المتعلقة بالانتظار من خلال نماذج تعلم الآلة (ML) التي تستخدم بيانات هيكلية قائمة على الرسوم البيانية، معتمدة بشكل خاص على تعلم الآلة على الرسوم البيانية (Graph ML) والشبكات العصبية الرسومية (GNNs). تركزت الأساليب التقليدية في تعلم الآلة في الطيران بشكل كبير على التنبؤ بتأخيرات الرحلات، وغالبًا ما تستخدم بيانات جدولية تفشل في التقاط الأنماط العلائقية المعقدة بين المطارات والعوامل المؤثرة الأخرى. تعالج هذه الدراسة الفجوة في الدراسات التي تستهدف بشكل خاص مناورات الانتظار من خلال الاستفادة من المنهجيات القائمة على الرسوم البيانية التي يمكن أن نمذج الاعتماد المكاني والزماني المتأصل في بيانات حركة المرور الجوية.
تستخدم الدراسة نهجين رئيسيين: طريقة قائمة على الجداول باستخدام نموذج CatBoost، الذي يدمج ميزات الرسوم البيانية مثل مقاييس المركزية والترابط، ونهج شبكة الانتباه الرسومية (GAT)، الذي يكون فعالًا في سياقات البيانات العلائقية. تساهم هذه الدراسة في مجالين: توضح تطبيق نماذج تعلم الآلة القائمة على الرسوم البيانية في التنبؤ بأحداث الانتظار، مما يوضح الاعتماد المتبادل بين المطارات، وتقارن الأداء التنبؤي لنموذج CatBoost مقابل نموذج GAT. يتم وضع هذا العمل كأول تطبيق لتقنيات تعلم الآلة القائمة على الرسوم البيانية لمشكلة تأخيرات الرحلات الناتجة عن مناورات الانتظار، مع آثار محتملة لتحسين كفاءة الوقود، وتقليل التأخيرات، وتعزيز تجارب الركاب. ستراجع الأقسام اللاحقة من الورقة الأدبيات ذات الصلة، وتفصل مجموعة البيانات وطرق النمذجة، وتقدم النتائج التجريبية والتحليل.
طرق
في هذا القسم، يحدد المؤلفون المواد والأساليب المستخدمة في دراستهم للتنبؤ بتأخيرات الطائرات بسبب مناورات الانتظار. يستخدمون مجموعتين من البيانات، تحتوي كل منهما على 42,336 ملاحظة مستمدة من تقارير الطقس ومواصفات المطارات المقدمة من ICEA. تركز مجموعة البيانات الأولى على التصنيف الثنائي للتنبؤ بحدوث مناورات الانتظار، والتي تتميز بعدم توازن كبير في الفئات (41,616 رحلة غير متأخرة مقابل 720 رحلة متأخرة). تم تصميم مجموعة البيانات الثانية لتحليل الانحدار، حيث تتنبأ بمدة تأخيرات الانتظار بالثواني، مما يسهل الحصول على رؤى تشغيلية أكثر تفصيلًا.
تتضمن مجموعات البيانات ثلاثة أبعاد من ميزات الطيران: الأبعاد الجوية، والجغرافية، والخاصة بالرحلات. يتم الحصول على الميزات الجوية من تقارير METAR وMETAF، مما يوفر بيانات الطقس الأساسية التي قد تؤثر على التأخيرات. تشمل الميزات الجغرافية المسافة الجيوديسية بين المطارات وإحداثياتها، والتي تعتبر حاسمة لفهم السياق المكاني للتأخيرات. تلتقط الميزات الخاصة بالرحلات التفاصيل التشغيلية مثل ساعات الرحلات ونشاط المدرج. بالنسبة للنمذجة، يستخدم المؤلفون نموذج CatBoost، الذي يعالج بشكل فعال عدم توازن الفئات ويقدم قابلية للتفسير، جنبًا إلى جنب مع شبكات الانتباه الرسومية (GATs)، التي تهدف إلى التقاط العلاقات المعقدة في البيانات الهيكلية القائمة على الرسوم البيانية. ومع ذلك، تواجه GATs تحديات مع عدم توازن الفئات، مما يؤدي إلى احتمال الإفراط في التكيف في الهياكل الأعمق. يتم تقديم مزيد من التفاصيل حول التنفيذ والتكوينات التجريبية لكلا النموذجين في الأقسام اللاحقة.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور تقنيات تعلم الرسوم البيانية، مقارنة الأساليب التقليدية السطحية مع الأساليب الحديثة في التعلم العميق. اعتمد تعلم الرسوم البيانية التقليدي على تقنيات سطحية مثل هندسة الميزات والأساليب الطيفية، التي سهلت تحليل هياكل الرسوم البيانية من خلال اكتشاف المجتمعات، ومقاييس المركزية، وتنبؤ الروابط. لعبت مقاييس المركزية، وخاصة مركزية القيم الذاتية، دورًا حاسمًا في التقاط أهمية العقد داخل الشبكة، والتي تُعرف رياضيًا بالمعادلة \(Ax = \lambda x\)، حيث \(A\) هو مصفوفة الجوار و\(\lambda\) هو أكبر قيمة ذاتية. ومع ذلك، تواجه هذه الأساليب الطيفية قيودًا، بما في ذلك التعقيد الحسابي والحساسية لهيكل الرسوم البيانية، خاصة في الرسوم البيانية المنفصلة أو ذات الأوزان السلبية.
على النقيض من ذلك، حول التعلم العميق للرسوم البيانية المشهد من خلال تقديم الشبكات العصبية الرسومية (GNNs)، التي يمكن تصنيفها إلى أساليب قائمة على الطيف وأخرى قائمة على الفضاء. تستخدم GNNs الطيفية، مثل الشبكات التلافيفية الرسومية (GCNs)، مبادئ معالجة الإشارات الرسومية ولكن غالبًا ما يتم تصنيفها بشكل خاطئ كأساليب فضائية بسبب تجميع المعلومات المحلية. تستفيد GNNs القائمة على الفضاء، مثل GraphSAGE وشبكات الانتباه الرسومية (GATs)، مباشرة من هياكل الرسوم البيانية لتجميع الميزات، مما يسمح بمرونة أكبر وقابلية للتوسع، خاصة في الرسوم البيانية الديناميكية. تعزز GATs، بشكل خاص، عملية التعلم من خلال دمج آليات الانتباه التي تزن أهمية العقد المجاورة، مما يجعلها مناسبة للمهام التي تتضمن بيانات علائقية. بشكل عام، تؤكد المناقشة على الانتقال من تعلم الرسوم البيانية التقليدي إلى تقنيات التعلم العميق الأكثر تطورًا، مما يبرز أهمية ميزات العقد والحواف في تقدم تطبيقات تعلم الآلة القائمة على الرسوم البيانية.
DOI: https://doi.org/10.1016/j.physa.2026.131318
Publication Date: 2026-01-24
Author(s): Jorge Luiz De Franco et al.
Primary Topic: Aerospace and Aviation Technology
Overview
This research investigates the prediction of flight delays caused by holding maneuvers, a significant issue in aviation due to air traffic congestion and safety concerns. The study employs advanced Graph Machine Learning (Graph ML) techniques to model air traffic as a directed network, focusing on edge feature prediction. Two methodologies are explored: CatBoost, which incorporates graph-based features to enhance network centrality and connectivity, and Graph Attention Networks (GATs), known for their effectiveness in relational data contexts. The findings reveal that CatBoost outperforms GATs in predicting holding events within an imbalanced dataset, emphasizing the importance of graph-based feature engineering for interpretability and operational efficiency.
The study also introduces a web-based tool for real-time delay predictions, showcasing the practical applications of the predictive models in air traffic management. While the results are promising, the research identifies limitations, such as the absence of explicit data imputation techniques for missing information. Future work is suggested to explore oversampling methods like GraphSMOTE to better represent underrepresented holding events and to incorporate topological deep learning techniques for deeper insights into flight delay dynamics. Additionally, hybrid models combining Graph Neural Networks (GNNs) and gradient boosting, along with the integration of real-time air traffic and weather data, are proposed to enhance predictive accuracy and robustness in operational settings. Overall, this research highlights the potential of graph-based approaches to optimize flight scheduling, reduce delays, and improve passenger experiences in the evolving landscape of airspace management.
Introduction
The introduction of this research paper highlights the increasing reliance of the aviation industry on data-driven methods to enhance operational efficiency and mitigate delays, particularly focusing on the prediction of holding maneuvers. These maneuvers, necessitated by factors such as airport congestion and adverse weather, lead to increased fuel consumption, emissions, and passenger dissatisfaction. The study aims to improve the accuracy of holding predictions through machine learning (ML) models that utilize graph-structured data, specifically employing Graph Machine Learning (Graph ML) and Graph Neural Networks (GNNs). Traditional ML approaches in aviation have largely centered on flight delay predictions, often using tabular data that fail to capture complex relational patterns among airports and other influencing factors. This research addresses the gap in studies specifically targeting holding maneuvers by leveraging graph-based methodologies that can model the spatial and temporal dependencies inherent in air traffic data.
The study employs two primary approaches: a tabular-based method using the CatBoost model, which incorporates graph features such as centrality and connectivity metrics, and a Graph Attention Network (GAT) approach, which is effective in relational data contexts. The contributions of this research are twofold: it demonstrates the application of graph-based ML models for predicting holding events, thereby elucidating airport interdependencies, and it compares the predictive performance of the CatBoost model against the GAT model. This work is positioned as the first application of graph-based ML techniques to the problem of flight delays caused by holding maneuvers, with potential implications for improved fuel efficiency, reduced delays, and enhanced passenger experiences. The subsequent sections of the paper will review relevant literature, detail the dataset and modeling approaches, and present experimental results and analysis.
Methods
In this section, the authors outline the materials and methods employed in their study to predict aircraft delays due to holding maneuvers. They utilize two datasets, each containing 42,336 observations derived from weather reports and airport specifications provided by ICEA. The first dataset focuses on binary classification to predict the occurrence of holding maneuvers, characterized by a significant class imbalance (41,616 non-delayed flights versus 720 delayed flights). The second dataset is designed for regression analysis, predicting the duration of holding delays in seconds, thus facilitating a more detailed operational insight.
The datasets incorporate three dimensions of aviation features: meteorological, geographical, and flight-specific. Meteorological features are sourced from METAR and METAF reports, providing essential weather data that may influence delays. Geographical features include the geodesic distance between airports and their coordinates, which are crucial for understanding the spatial context of delays. Flight-specific features capture operational details such as flight hours and runway activity. For modeling, the authors employ a CatBoost model, which effectively addresses class imbalances and offers explainability, alongside Graph Attention Networks (GATs), which aim to capture complex relationships in graph-structured data. However, the GATs face challenges with class imbalance, leading to potential overfitting in deeper architectures. Further details on the implementation and experimental configurations of both models are provided in subsequent sections.
Discussion
The discussion section of the research paper highlights the evolution of graph learning techniques, contrasting traditional shallow methods with modern deep learning approaches. Traditional graph learning relied on shallow techniques such as feature engineering and spectral methods, which facilitated the analysis of graph structures through community detection, centrality measures, and link prediction. Centrality measures, particularly eigenvector centrality, played a crucial role in capturing the importance of nodes within a network, defined mathematically by the equation \(Ax = \lambda x\), where \(A\) is the adjacency matrix and \(\lambda\) is the largest eigenvalue. However, these spectral methods face limitations, including computational complexity and sensitivity to graph structure, particularly in disconnected or negatively weighted graphs.
In contrast, deep graph learning has transformed the landscape by introducing graph neural networks (GNNs), which can be categorized into spectral-based and spatial-based methods. Spectral GNNs, such as Graph Convolutional Networks (GCNs), utilize graph signal processing principles but are often mischaracterized as spatial methods due to their localized information aggregation. Spatial GNNs, like GraphSAGE and Graph Attention Networks (GATs), directly leverage graph structures for feature aggregation, allowing for greater flexibility and scalability, particularly in dynamic graphs. GATs, in particular, enhance the learning process by incorporating attention mechanisms that weigh the importance of neighboring nodes, making them suitable for tasks involving relational data. Overall, the discussion emphasizes the transition from traditional graph learning to more sophisticated deep learning techniques, underscoring the importance of both node and edge features in advancing graph-based machine learning applications.