通过图神经网络评估空中交通管制员任务需求：一种可解释的空域复杂度方法
机器学习
2025-07-21 v1 人工智能
摘要
在日益拥挤的空域中，实时评估近期空中交通管制员(ATCO)的任务需求是一项关键挑战，因为现有的复杂度度量通常无法捕捉到超越简单飞机计数的细微运行驱动因素。本文介绍了一个可解释的图神经网络(GNN)框架来解决这一差距。我们的基于注意力的模型从静态交通场景内的交互中预测即将到来的指令数量，即ATCO向飞机发布的指令。至关重要的是，我们通过系统地消融飞机并测量对模型预测的影响，推导出一个可解释的、每架飞机的任务需求分数。我们的框架显著优于受ATCO启发的启发式方法，并且是比已建立的基线更可靠的场景复杂度估计器。由此产生的工具可以将任务需求归因于特定的飞机，为分析和理解复杂性的驱动因素提供了一种新方法，可用于管制员培训和空域重新设计等应用。
引用
@article{arxiv.2507.13423,
title = {Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity},
author = {Edward Henderson and Dewi Gould and Richard Everson and George De Ath and Nick Pepper},
journal= {arXiv preprint arXiv:2507.13423},
year = {2025}
}
备注
Author Accepted Manuscript version of paper at the AIAA AVIATION Forum 2025