Tiềm năng áp dụng mô hình graph neural network trong việc tối ưu hóa thời gian lăn bánh của tàu bay tại cảng hàng không quốc tế tân sơn nhất

HỌC VIỆN HÀNG KHÔNG VIỆT NAM KHOA KHAI THÁC HÀNG KHÔNG¾¾¾¾¾¾¾¾¾¾¾¾¾ BÁO CÁO ĐỒ ÁN MÔN HỌC TIỀM NĂNG ÁP DỤNG MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU

HỌC VIỆN HÀNG KHÔNG VIỆT NAM KHOA KHAI THÁC HÀNG KHÔNG

¾¾¾¾¾¾¾¾¾¾¾¾¾

BÁO CÁO ĐỒ ÁN MÔN HỌC TIỀM NĂNG ÁP DỤNG MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY TẠI CẢNG HÀNG KHÔNG QUỐC TẾ

TÂN SƠN NHẤT

Giảng viên hướng dẫn: Sinh viên (hoặc nhóm sinh viên) thực hiện:

Th.S Hồ Thị Vũ Hiền NGUYỄN THỊ MINH NGỌC –

TP Hồ Chí Minh, tháng 07 năm 2023

HỌC VIỆN HÀNG KHÔNG VIỆT NAM KHOA KHAI THÁC HÀNG KHÔNG

¾¾¾¾¾¾¾¾¾¾¾¾¾

BÁO CÁO ĐỒ ÁN MÔN HỌC TIỀM NĂNG ÁP DỤNG MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY TẠI CẢNG HÀNG KHÔNG QUỐC TẾ

TÂN SƠN NHẤT

Giảng viên hướng dẫn: Sinh viên (hoặc nhóm sinh viên) thực hiện:

Th.S Hồ Thị Vũ Hiền NGUYỄN THỊ MINH NGỌC –

2056060025

TRƯƠNG HOÀNG PHÚC -

2056060036

HỒ NHẬT BÌNH – 2056060033 NGUYỄN QUANG NGUYÊN – 2056060031 NGUYỄN THỊ LAN ANH – 2056060012

NGUYỄN YẾN VY – 2056060044 HOÀNG VĂN LÂN - 2056060038 CHHOUR SAKAL – 20560600xx

TP Hồ Chí Minh, tháng 07 năm 2023

LỜI CẢM ƠN

¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾Chúng em xin chân thành cảm ơn cô Hồ Thị Vũ Hiền đã dẫn dắt chúng em tronghọc phần Đồ án môn học 02 Chúng em đã nhận được sự quan tâm giúp đỡ tận tình,tâm huyết của cô Cô đã tháo gỡ được những khó khăn, khúc mắc của chúng em trongquá trình học tập cũng như nghiên cứu đề tài đồ án; đồng thời giúp chúng em tích lũythêm nhiều kiến thức để có cái nhìn sâu sắc và toàn diện hơn về các khía cạnh khácnhau của ngành hàng không Thông qua bài tiểu luận này, chúng em xin trình bày

những gì mình đã tìm hiểu về đề tài “Tiềm năng áp dụng mô hình Graph Neural Network trong việc tối ưu hóa thời gian lăn bánh tại cảng hàng không quốc tế Tân Sơn Nhất”.

Chúng em xin chân thành cảm ơn sự hỗ trợ thông tin, kiến thức từ sách vở, cáctrang báo điện tử và các trang mạng xã hội đã giúp chúng em có thể hoàn thành nộidung bài báo cáo một cách trọn vẹn

Mặc dù chúng em có cố gắng và nỗ lực cập nhật thông tin chính xác khi thực hiện

đề tài, song kiến thức luôn đổi mới và có những chuyển biến nhanh chóng Vì vậy, bàibáo cáo có thể có những hạn chế, thiếu sót nhất định Nhóm sinh viên thực hiện chúng

em rất mong nhận được sự đóng góp ý kiến cũng như sự chỉ dẫn của cô để bài báo cáonày ngày càng hoàn thiện

LỜI CAM ĐOAN

¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾Chúng em xin cam đoan đây là công trình nghiên cứu khoa học độc lập với sự nỗlực và cố gắng không ngừng của mỗi thành viên thực hiện

Những thông số và hình ảnh trong bài báo cáo được chúng em tìm kiếm đều cónguồn gốc rõ ràng

Bài báo cáo của chúng em được xây dựng dựa trên ba tiêu chí: Trung thực, kháchquan, không bịa đặt Nếu phát hiện có bất kỳ sự gian lận nào chúng em xin hoàn toànchịu trách nhiệm về nội dung bài báo cáo này

Nhóm trưởng

(ký và ghi họ tên) Ngọc

Nguyễn Thị Minh Ngọc

PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN

- Đóng góp ý tưởng xây dựng bố cục

- Tìm kiếm, xây dựng phát triển và hoàn thành nội dungChương 2 mục 2.1.2, mục 2.2.1, mục 2.2.2, mục 2.2.3,hoàn thành nội dung Chương 4 mục 4.1.2, mục 4.4, mục4.6

- Phân chia nhiệm vụ các thành viên

- Tổng hợp và hoàn thiện toàn bộ file Word

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án

- Thu thập dữ liệu khảo sát và xử lý số liệu Chương 04mục 4.4

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1, mục4.4.2

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Thu thập dữ liệu khảo sát Chương 4 mục 4.4.1, mục4.4.2

4 Hoàng Văn Lân

- Đóng góp ý tưởng xây dựng bố cục

- Tìm kiếm, xây dựng phát triển và hoàn thành nội dungChương 1 mục 1.2.4

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và4.4.2

5 Trương Hoàng Phúc

- Đóng góp ý tưởng xây dựng bố cục

- Tìm kiếm, xây dựng phát triển và hoàn thành nội dungChương 1 mục 1.1 và 1.2

- Hoàn thành nội dung phần Mở đầu

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và4.4.2

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và xử

- Hoàn thành nội dùng phần Kết luận

- Cùng đóng góp, chỉnh sửa hoàn chỉnh tiểu luận

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và4.4.2

Nhóm trưởng

Ngọc

Nguyễn Thị Minh Ngọc

NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN

¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾

………

………

………

………

………

………

………

………

………

………

………

………

Ngày … tháng … năm ….

Giảng viên hướng dẫn

(ký và ghi họ tên)

MỤC LỤC

LỜI CẢM ƠN i

LỜI CAM ĐOAN ii

PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN iii

NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN vi

DANH MỤC BẢNG BIỂU x

DANH MỤC HÌNH ẢNH xi

KÝ HIỆU VIẾT TẮT xiv

MỞ ĐẦU 1

CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN 3

1.1 Giới thiệu tổng quan về đề tài 3

1.1.1 Lý do chọn đề tài 3

1.1.2 Tính cấp thiết của đề tài nghiên cứu 3

1.1.3 Phạm vi và đối tượng nghiên cứu 4

1.1.4 Phương pháp nghiên cứu 4

1.1.5 Ý nghĩa của đề tài nghiên cứu 5

1.2 Tổng quan Thời gian tàu bay lăn bánh 5

1.2.1 Đường lăn 5

1.2.2 Thời gian lăn 7

1.2.3 Thời gian lăn tối ưu 8

1.2.4 Ý nghĩa của thời gian lăn trong quá trình khai thác 8

CHƯƠNG 02: CƠ SỞ NGHIÊN CỨU VỀ CÁC MÔ HÌNH TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY 14

2.1 Các nghiên cứu mô hình dự báo thời gian của hệ thống A-CDM 14

2.1.1 Nghiên cứu về mô hình Graph Neural Network trong việc tính toán thời

gian lăn bánh tại sân bay Atlanta 14

2.1.2 Nghiên cứu về việc áp dụng phương pháp Hồi quy tuyến tính (Linear Regression) trong các mô hình dự đoán thời gian lăn bánh khởi hành 24

2.2 Đánh giá hai mô hình nghiên cứu thời gian lăn bánh 33

2.2.1 Nguyên lý cốt lõi của 2 mô hình nghiên cứu 33

2.2.2 Các yếu tố đánh giá mô hình 34

2.2.3 Đánh giá lựa chọn mô hình 36

CHƯƠNG 03: MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY 38

3.1 Mô hình Graph Neural Network 38

3.1.1 Tổng quan về mô hình Graph Neural Network 38

3.1.2 Đặc tính của mô hình Graph Neural Networks 39

3.1.3 Ứng dụng mô hình Graph Neutral Network đưa ra dự đoán thời gian lăn bánh của tàu bay 42

3.1.4 Các trang thiết bị yêu cầu khi triển khai mô hình GNN 49

3.2 Tính phù hợp mô hình Graph Neural Network trong hoạt động dự đoán thời gian lăn bánh của tàu bay tại Cảng HKQT Tân Sơn Nhất 56

3.2.1 Thực trạng tắc nghẽn tại Cảng HKQT Tân Sơn Nhất 56

3.2.2 Đánh giá tính phù hợp của mô hình GNN trong việc tối ưu hóa thời gian lăn bánh 61

CHƯƠNG 04: BÀI TOÁN NGHIÊN CỨU ÁP DỤNG MÔ HÌNH GNN TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY TẠI CẢNG HÀNG KHÔNG QUỐC TẾ TÂN SƠN NHẤT 65

4.1 Mô hình giả định áp dụng GNN trong việc tối ưu hóa thời gian lăn bánh của tàu bay 65

4.1.1 Phạm vi và đối tượng áp dụng 65

4.1.2 Các yếu tố ảnh hưởng 66

4.1.3 Áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất 69

4.2 Bài toán áp dụng nghiên cứu GNN tại CHKQT Tân Sơn Nhất 81

4.2.1 Các giả thuyết của bài toán 81

4.2.2 Bài toán thực tế áp dụng mô hình GNN 82

4.3 Kết quả nghiên cứu 87

4.4 Kiểm định mô hình 89

4.4.1 Thời gian lăn trung bình trên các đoạn đường lăn 89

4.4.2 Thời gian dừng chờ trung bình 96

4.4.3 Đánh giá chung 99

4.5 Đề xuất hướng phát triển 99

4.6 Tiểu kết chương 100

4.6.1 Tổng kết đánh giá 100

4.6.2 Những khó khăn còn tồn tại 101

CHƯƠNG 05: TỔNG KẾT 103

KẾT LUẬN 105

DANH MỤC TÀI LIỆU THAM KHẢO 107

DANH MỤC BẢNG BIỂU

Bảng 1 Cấu hình hiện tại của sân bay Quốc tế John F Kenedy [14] 26

Bảng 2 So sánh lượng nhiên liệu tiêu hao khi di chuyển tại các đường lăn được tối ưu hóa và đường lăn có điểm chờ [26] 63

Biểu đồ 1 Thời gian lăn bánh trung bình trong từng khung giờ từ 06h00 – 22h00 66

Bảng 3 Thông số chiều dài đường lăn cho giai đoạn khởi hành tại HKQT Tân Sơn Nhất 76

Biểu đồ 2 Vận tốc trung bình của 22 chuyến bay trong khung giờ từ 08h00 – 09h00 tại CHKQT Tân Sơn Nhất 77

Bảng 4 Thời gian lăn tối ưu của tàu bay trên từng đoạn đường lăn tại CHKQT Tân Sơn Nhất 78

Biểu đồ 3 Thời gian lăn trung bình của tàu bay trên đoạn đường V2 91

Biểu đồ 4 Thời gian lăn trung bình của tàu bay trên đoạn S5B 92

Biểu đồ 5 Thời gian lăn trung bình của tàu bay trên đoạn S5A 92

Biểu đồ 6 Thời gian lăn bánh trung bình của tàu bay trên đoạn S53 93

Biểu đồ 7 Thời gian lăn bánh trung bình của tài bay trên đoạn S3 94

Biểu đồ 8 Thời gian lăn trung bình của tàu bay trên đoạn S31 95

Biểu đồ 9 Thời gian lăn trung bình trên đoạn S1 95

Bảng 5 Giá trị trung bình về khả năng dự đoán thời gian lăn bánh của mô hình 96

Biểu đồ 10 So sánh thời gian chờ thực tế và thời gian chờ tính toán dựa trên mô hình trong khung giờ từ 08h00 – 09h00 tại CHKQT Tân Sơn Nhất 97

Bảng 6 Giá trị phần trăm chính xác của thời gian chờ dự tính theo mô hình 98

DANH MỤC HÌNH ẢNH

Hình 1 Đường lăn vào vị trí đỗ máy bay – Vệt lăn (Aircraft stand taxilane) [7] 6

Hình 2 Đường lăn trên sân đỗ máy bay (Apron taxiway) [7] 6

Hình 3 Đường lăn thoát nhanh (Rapid exit taxiway) [7] 7

Hình 4 Sự phối hợp hoạt động của các đơn vị liên quan [4] 9

Hình 5 Quá trình chia sẻ thông tin trong các giai đoạn của mô hình A-CDM [4] 11

Hình 6 Mô tả 5 giai đoạn và 16 mốc thời gian cần chia sẻ [4] 11

Hình 7 Thời gian lăn – Variable Taxi Times (VTT) [4] 12

Hình 8 Minh họa mô hình GNN [7] 15

Hình 9 Sơ đồ đường lăn sân đỗ của sân bay Atlanta [8] 16

Hinh 10 Mô tả dữ liệu đồ thị [9] 17

Hình 11 Sơ đồ thu thập dữ liệu đầu vào [10] 18

Hình 12 Khoanh vùng khu vực lăn tại sân bay Atlanta [10] 20

Hình 13 Mô tả dữ liệu được xử lý qua các lớp (layers) dày đặc [10] 21

Hình 14 Kiến trúc mô hình GNN [10] 22

Hình 15 So sánh kết quả dự thời gian lăn bánh của mô hình GNN với các mô hình khác [10] 23

Hình 16 Sơ đồ nhà ga, đường lăn, đường cất/hạ cánh tại sân bay Quốc tế Jonh F Kenedy [14] 25

Hình 17 Ảnh chụp tình hình giao thông phức tạp tại sân bay JFK lúc 19:00 ngày 9/7/2010 [12] 27

Hình 18 Điểm thu thập dữ liệu cho mỗi chuyến bay [12] 28

Hình 19 Đường di chuyển của tàu bay so với tâm đường lăn [12] 31

Hình 20 Bảng so sánh dữ liệu chuyến bay khởi hành hàng giờ của ASDE – X và

ASPM [12] 31

Hình 21 Biểu đồ biểu diễn sự phụ thuộc của biến y vào biến x [15] 34

Hình 22 Hình ảnh minh hoạ mô hình Graph Neural Networks (GNNs) 39

Hình 23 Đơn đồ thị biểu diễn mối quan hệ giữa các địa danh 40

Hình 24 Đa đồ thị biểu diễn mối quan hệ giữa các địa danh 40

Hình 25 Đồ thị có hướng biểu diễn mối quan hệ giữa các địa danh 40

Hình 26 Sơ đồ Đồ thị vô hướng 42

Hình 27 Sơ đồ đồ thị có hướng 42

Hình 28 Sơ đồ đường CHC, đường lăn và sân đỗ được tính hợp với các dữ liệu để tạo thành đồ thị dữ liệu tại sân bay 47

Hình 29 Sơ đồ quỹ đạo đường lăn, sân đỗ và đường CHC được mô phỏng dựa theo mô hình GNN 48

Hình 30 Ví dụ về tuyến đường theo kế hoạch (tàu bay vẫn ở bến đỗ) 50

(Nguồn: EUROCONTROL) 50

Hình 31 Ví dụ về một tuyến đường đã được cấp phép và đang chờ xử lý đến điểm dừng chờ trước ngưỡng đường CHC (Nguồn: EUROCONTROL) 51

Hình 32 Mô hình nguyên lý hoạt động của hệ thống ADS – B [17] 54

Hình 33 Thông tin tàu bay được hiển thị trên Flightradar24 thông qua tín hiệu ADS-B (Nguồn: Flightradar24) 55

Hình 35 15 chiếc tàu bay phải xếp hàng dài chờ cất cánh ở sân bay Tân Sơn Nhất ghi nhận vào ngày 19/01/2020 [22] 58

Hình 36 Hai đường cất hạ cánh tại Cảng HKQT Tân Sơn Nhất với trục tim cách nhau 365m (Nguồn: AIP Việt Nam) [24] 59

Hình 37 Khu vực sân đỗ và đường lăn tại Cảng HKQT Tân Sơn Nhất (Nguồn:

AIP Việt Nam) [24] 60

Hình 38 Sơ đồ đường tại Cảng hàng không Quốc tế Tân Sơn Nhất (Nguồn: AIP Việt Nam) 67

Hình 39 Sơ đồ đường lăn và sân đỗ của CHKQT Tân Sơn Nhất (Nguồn: AIP Việt Nam) 70

Hình 40 Minh họa quy ước các đoạn đường lăn và sân đỗ 71

Hình 41 Các cự ly công bố tại các đường băng của Tân Sơn Nhất 72

Hình 42 Thông số kĩ thuật của B747 [1] 72

Hình 43 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 2 đến điểm chờ cất cánh đường băng 25L 74

Hình 44 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 1 đến điểm chờ cất cánh đường băng 25L 75

Hình 45 Mô hình Graph Neural Network thử nghiệm tính toán thời gian lăn bánh tại CHKQT Tân Sơn Nhất 79

Hình 46 Tàu bay BAV1122 chuẩn bị lăn bánh vào lúc 01:29:00 UTC 82

Hình 47 Tàu bay BAV1122 đến đầu đường CHC 25L 83

Hình 48 Các tuyến đường lăn của tàu bay BAV1122 từ bến đỗ 2 84

Hình 49 Thời gian di chuyển trên từng tuyến đường của BAV1122 chưa xem xét tới yếu tố thời gian chờ 85

Hình 50 Thời gian di chuyển trên từng tuyến đường của BAV1122 có xem xét tới yếu tố thời gian chờ 87

KÝ HIỆU VIẾT TẮT

1 A-CDM (Airport Collaborative

Decision Making)

Phối hợp ra quyết định tại Cảng hàng không, sân bay

2

A-SMGCS (Advanced Surface

Movement Guidance and Control

4 AAR (Aircraft Arrival Rate) Tỉ lệ tàu bay đến

5 ACISP (A-CDM information sharing

platform) Nền tảng chia sẻ thông tin A-CDM

6 ADR (Aircraft Departure Rate) Tỉ lệ tàu bay khởi hành

7 ADS – B (Automatic Dependent

Surveillance–Broadcast)

Hệ thống giám sát tự động phụ thuộc quảng bá

8 AIBT (Actual In-Block Time) Thời gian đóng chèn thực tế

9 ALDT (Actual Landing Time) Thời gian hạ cánh thực tế

10 AMAN (Arrival Manager) Quản lý tàu bay đến

11 AO/GH (Aircraft Operator/Ground

Handler)

Nhà khai thác tàu bay bay/Đơn vị phục

vụ mặt đất

12 AOBT (Actual Off-Block Time) Thời gian rút chèn thực tế

13 ASAT (Actual Start up Approval

14 ASDE - X (Airport Surface Detection Hệ thống phát hiện bề mặt sân bay phiên

System - Model X) bản X

15 ASPM (Aviation System Performance

Metrics) Chỉ số hiệu suất hệ thống hàng không

16 ASQP (Airline Service Quality

Performance System)

Hệ thống đánh giá hiệu suất chất lượng dịch vụ hàng không

17 ATC (Air traffic controller) Kiểm soát viên không lưu

18 ATM (Air Traffic Management) Quản lý hoạt động bay

19 ATOT (Actual Take Off Time) Thời gian cất cánh thực tế

20 AXIT (Actual Taxi-In Time) Thời gian lăn vào thực tế

21 AXOT (Actual Taxi-Out Time) Thời gian lăn ra thực tế

24 CL (Clearance Limit) Giới hạn huấn lệnh kiểm soát không lưu

25 CTOT (Calculated Take Off Time) Giờ cất cánh theo tính toán

26 CTOT (Calculated Take Off Time) Tính toán thời gian cất cánh

28 DMAN (Departure Manager) Quản lý tàu bay khởi hành

29 DME (Distance Measuring

30 EFC (Expect Further Clearance)

32 ELDT (Estimated Landing Time) Thời gian dự tính hạ cánh

33 EOBT (Estimated Off-block Time) Giờ dự tính rút chèn

34 ETMS (Enhance Traffic Management

System)

Hệ thống cải thiện quản lý luồng giao thông

35 ETOT (Estimated Take Off Time) Thời gian dự kiến cất cánh

36 EXIT (Estimated Taxi-In Time) Thời gian lăn vào ước tính

37 EXOT (Estimated Taxi-Out Time) Thời gian lăn ra ước tính

38 GNN (Graph Neural Network) Đồ thị cấu trúc dữ liệu

39 GPS (Global Positioning System) Hệ thống Định vị Toàn cầu

43 ILS (Instrument Landing System) Hệ thống hạ cánh bằng thiết bị

44 JFK (John F Kennedy) Sân bay quốc tế John F Kennedy

47 MLAT (Multilateration) Hệ thống giám sát đa điểm

49 SFM (Split Flow Model) Mô hình phân chia luồng giao thông

50 SMR (Surface Movement Radar) Radar giám sát mặt sân

51 TOBT (Target Off-Block Time) Thời gian dự kiến rút chèn

52 TODA (Take - Off Distance

53 TSAT (Target Start-up Approval

54 TTOT (Target Take Off Time) Thời gian cất cánh mục tiêu

56 UFM (Uniform Flow Model) Mô hình luồng giao thông đồng nhất

57 VOR (VHF omnidirectional range) Đài dẫn đường đa hướng sóng cực ngắn

MỞ ĐẦU

Hoạt động hàng không bao gồm hoạt động trên trời và hoạt động trên mặt đất.Hoạt động trên trời chủ yếu là giai đoạn tàu bay tăng hay giảm độ cao và bay đườngdài Đặc biệt, hoạt động hàng không trên mặt đất gồm nhiều giai đoạn như tàu bay lănvào bến đỗ, lăn ra bến đỗ, lăn ra đường CHC, dừng chờ, tàu bay cất cánh … Có thểthấy, quá trình tàu bay lăn chiếm phần lớn và kết nối các giai đoạn với nhau Nếu quátrình này bị chậm trễ thì kéo theo những quá trình khác cũng gián đoạn Từ đó, hoạtđộng bay chắc chắn sẽ bị ảnh hưởng nghiêm trọng Ngược lại, nếu thời gian lăn đượctính toán chính xác và ngắn nhất thì quá trình điều hòa tàu bay nhịp nhàng hơn, kiểmsoát viên điều hành cũng giảm thiểu các áp lực Hơn nữa, thời gian lăn còn có mối liên

hệ với thời gian dự kiến rút chèn và thời gian dự kiến cất cánh trong mô hình A-CDM

Vì vậy, đây là một yếu tố quan trọng cần được xem xét và tính toán kỷ lưỡng

Nhiều tổ chức hàng không, nhà chức trách sở tại đã ngồi lại và nghiên cứu nhiềucách thức, phương pháp hay mô hình tối ưu hóa thời gian lăn bánh của tàu bày Vì hiệnnay ngành hàng không tăng trưởng với tốc độ rất nhanh, việc tắc nghẽn, chậm chuyến,thay đổi giờ bay xảy ra thường xuyên tại các cảng hàng không sân bay, đặc biệt là tạicác cảng hàng không quốc tế - nơi mật độ lúc nào cũng đông đúc Trong đó, mô hìnhGraph Neutral Network vượt trội hơn hẳn, đã cung cấp những thuật toán nhằm tínhtoán/ dự đoán thời gian lăn bánh của các tàu bay một cách tối ưu nhất Tuy phải trảiqua nhiều giai đoạn triển khai, đánh giá, nhưng đến thời điểm hiện tại thì mô hình nàyđược các chuyên gia tin tưởng rằng sẽ giúp cho ngành hàng không tháo gỡ “nút thắt”

về thời gian Thời gian này được các đơn vị liên quan sử dụng, góp phần mang lạinhiều lợi ích to lớn, tăng tính hiệu quả mô hình A-CDM và có ý nghĩa tích cực trongkhai thác hàng không Do đó, bài đồ án này sẽ tập trung vào tính toán thời gian tối ưutàu bay lăn bánh trên đường lăn, đặc biệt là tại Cảng hàng không quốc tế Tân SơnNhất

Bài đồ án gồm có 05 chương với các nội dung như sau:

Chương 1: Giới thiệu tổng quan.

Giới thiệu về lý do chọn đề tài, phạm vi, phương pháp nghiên cứu; các khái niệm

cơ bản về thời gian lăn, mối liên hệ của thời gian lăn trong mô hình A-CDM và ý nghĩatrong khai thác

Chương 2: Cơ sở nghiên cứu về các mô hình dự đoán thời gian lăn bánh của tàu bay

Trong chương này giới thiệu về mô hình Graph Neural Network trong việc tínhtoán thời gian lăn bánh, mô hình Linear Regression và so sánh Đây là cơ sở khoa học

để chứng minh tính xác thực của để tài nghiên cứu này

Chương 3: Mô hình Graph Neural Network trong việc dự đoán thời gian lăn bánh của tàu bay.

Giới thiệu kỹ hơn về mô hình Graph Neural Network và chứng minh tính phùhợp mô hình Graph Neural Network trong việc dự đoán thời gian lăn bánh của tàu baytại CHKQT Tân Sơn Nhất

Chương 4: Bài toán nghiên cứu tính tối ưu hóa trong việc dự đoán thời gian lăn bánh của tàu bay tại CHKQT Tân Sơn Nhất.

Trong chương này đề cập về phạm vi đối tượng, các yếu tố ảnh hưởng và việc ápdụng mô hình GNN tại CHKQT Tân Sơn Nhất (kết quả, kiểm định, những khó khăntrong quá trình nghiên cứu, đề xuất hướng phát triển…)

Chương 5: Tổng kết

CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN

1.1 Giới thiệu tổng quan về đề tài

1.1.1 Lý do chọn đề tài

 Hiện nay, quá trình hoạt động của tàu bay còn gặp nhiều khó khăn bao gồm trênkhông và trên mặt đất Đặc biệt là giai đoạn tàu bay lăn bánh ra đường CHC đểcất cánh Trong điều kiện hoạt động bình thường hoặc mật độ tàu bay ít, dườngnhư việc dừng chờ trên đường lăn hay ở vị trí dừng chờ trước khi lên đườngCHC sẽ không xảy ra Đồng nghĩa, thời gian lăn trên đường lăn là ngắn nhất vàtần suất cất cánh diễn ra nhịp nhàng Tuy nhiên, đối với các sân bay quốc tế, vớimật độ tàu bay cao, việc tàu bay dừng chờ hàng dài trên đường lăn trước khi lênđường CHC là việc xảy ra thường xuyên Đặc biệt, vào những giờ “cao điểm”,tình trạng này khiến cho các nhà khai thác hàng không, cảng hàng không – sânbay phải chịu nhiều áp lực không chỉ đến từ công suất khai thác bị giới hạn củacảng hàng không – sân bay mà còn đến từ các hành khách

 Trong lúc đó, một công cụ đắc lực xuất hiện hỗ trợ giải quyết vấn đề trên chính là

mô hình Graph Neural Network Mô hình này đề cập đến những thuật toán đểxác định thời gian lăn bánh tối ưu của tàu bay Chính vì vậy, nhóm nghiên cứu

quyết định chọn đề tài “Tiềm năng áp dụng mô hình Graph Neural Network trong việc tối ưu hóa thời gian lăn bánh của tàu bay tại cảng hàng không quốc tế Tân Sơn Nhất” ở học phần Đồ án môn học 02 với mong muốn đưa đến

những hiểu biết cũng như áp dụng mô hình mới này tại CHKQT Tân Sơn Nhấtnhằm giảm thiểu được tối đa tình trạng tắc nghẽn vào các giai đoạn cao điểm tạiđây

1.1.2 Tính cấp thiết của đề tài nghiên cứu

 Hiện nay, thời gian tàu bay lăn bánh trên đường lăn chưa được tối ưu và còn xảy

ra tình trạng tắc nghẽn kéo dài Điều này khiến cho hoạt động bay tại khu bay trìtrệ, đặc biệt vào những giờ “cao điểm” Từ thực trạng đó, nhóm nghiên cứu nhậnthấy cần phải tìm hiểu và đưa ra những phương pháp, cách thức để giải quyết vấn

đề này Từ đó, đặt ra những bước tiến nhằm đẩy nhanh và phát huy những môhình mới mẻ, hiệu quả để khắc phục những hạn chế nêu trên, góp phần vào quytrình vận hành không ngừng nghỉ của ngành hàng không Việt Nam nói chung vàcông tác điều hành bay nói riêng.

1.1.3 Phạm vi và đối tượng nghiên cứu

 Phạm vi nghiên cứu:

 Không gian: Trên thế giới và tại Việt Nam

 Thời gian: Thực hiện từ ngày 15/06/2023 đến ngày 20/07/2023

 Đối tượng nghiên cứu chính trong bài báo cáo đồ án này là tính toán thời gian lănbánh của tàu bay và cách thức tối ưu hóa nó thông qua việc áp dụng mô hìnhGraph Neural Network

1.1.4 Phương pháp nghiên cứu

 Dựa vào đề tài đã chọn, nhóm nghiên cứu đã thực hiện triển khai nội dung thôngqua các phương pháp tiếp cận có hệ thống và định tính:

 Tiến hành nghiên cứu các thông tin khoa học về các phương pháp hoặc môhình dự đoán thời gian lăn trên thế giới;

 Tìm hiểu và đưa ra các khái niệm cơ bản về thời gian lăn bánh;

 Chứng minh ý nghĩa trong khai thác của việc tối ưu thời gian lăn bánh;

 Khảo sát, thu thập số liệu về thời gian lăn bánh của tàu bay tại CHKQT TânSơn Nhất Những thông tin này được thu thập trên cơ sở quan sát qua ứngdụng Flightradar24, Google Earth và nghiên cứu các văn bản tài liệu khoa họcchính thống;

 Mô phỏng áp dụng mô hình để tối ưu hóa thời gian lăn bánh tại CHKQT TânSơn Nhất

 Kiểm định lại kết quả nghiên cứu

1.1.5 Ý nghĩa của đề tài nghiên cứu

 Nhóm nghiên cứu mong muốn áp dụng mô hình GNN vào việc tính toán thờigian tàu bay lăn bánh khởi hành tại CHKQT Tân Sơn Nhất Với mục đích chothấy tính hiệu quả của mô hình GNN và giúp CHKQT Tân Sơn Nhất giải quyếtđược tình trạng tắc nghẽn kéo dài trên đường lăn Đồng thời, đặt ra kỳ vọng sẽ cónhiều cải tiến hơn trong công nghệ trong việc khắc phục những yếu tố ảnh hưởngđến hoạt động bay nói chung và thời gian tàu bay lăn bánh nói riêng Từ đó, gópphần giúp cho công tác điều hành bay an toàn – điều hòa – hiệu quả

1.2 Tổng quan Thời gian tàu bay lăn bánh

1.2.1 Đường lăn

 Hoạt động trong ngành hàng không bao gồm hoạt động trên không và hoạt độngtrên mặt đất Cả hai giai đoạn đều được phối hợp nhịp nhàng và hỗ trợ cho nhaugóp phần hình thành một nền hàng không an toàn và bền vững Hơn hết, quátrình hoạt động trên mặt đất được diễn ra sôi nổi, nhộn nhịp và gồm nhiều giaiđoạn chuẩn bị cho bắt đầu khởi hành cất cánh Trong đó, hoạt động trên đườnglăn là một “mắt xích” quan trọng, đóng vai trò như “cầu nối” các giai đoạn vớinhau

 Đường lăn: Là đường xác định trên sân bay mặt đất dùng cho tàu bay lăn và nối

bộ phận này với bộ phận khác của sân bay

 Các loại đường lăn:

 Đường lăn vào vị trí đỗ máy bay – Vệt lăn (Aircraft stand taxilane) –

đường lăn nội bến: Là một phần sân đỗ tàu bay được xác định làm đường lăn

chỉ dùng cho tàu bay lăn vào vị trí đỗ

Hình 1 Đường lăn vào vị trí đỗ máy bay – Vệt lăn (Aircraft stand taxilane) [7]

 Đường lăn trên sân đỗ máy bay (Apron taxiway): Là một phần của hệ thống

đường lăn nằm trên sân đỗ tàu bay dùng làm đường lăn qua sân đỗ tàu bay

Hình 2 Đường lăn trên sân đỗ máy bay (Apron taxiway) [7]

 Đường lăn thoát nhanh (Rapid exit taxiway): Là đường lăn nối với đường

CHC theo góc nhọn và dùng cho tàu bay thoát khỏi đường CHC với tốc độcao

Hình 3 Đường lăn thoát nhanh (Rapid exit taxiway) [7]

 Góc giao nhau giữa đường lăn thoát nhanh với đường CHC không lớn hơn 45 độ

và không nhỏ hơn 25 độ, tốt nhất là 30 độ

 Vận tốc lăn ra ở điều kiện mặt đường ẩm ướt

 Đường CHC mã 1 và 2: 65 km/h

 Đường CHC mã 3 và 4: 93 km/h

 Yêu cầu đối với đường lăn

 Đường lăn đảm bảo cho tàu bay di chuyển nhanh và an toàn trên mặt đất

 Để tàu bay nhanh chóng vào và ra khỏi đường CHC phải dự kiến đủ số lượngđường lăn vào và ra Khi mật độ giao thông lớn có thể nghiên cứu xây dựngđường lăn thoát nhanh

1.2.2 Thời gian lăn

 Thời gian là một khái niệm để diễn tả trình tự xảy ra của các sự kiện nhất định,biến cố và thời gian kéo dài của chúng Thời gian được xác định bằng số lượngcác chuyển động của các đối tượng có tính lặp lại và thường có một thời điểmlàm mốc gắn với một sự [1]

 Như vậy, thời gian tàu bay lăn diễn tả trạng thái tàu bay đang di chuyển trongmột khoảng thời gian nhất định, tính từ vị trí sân đỗ ra đến đường CHC và ngượclại.

1.2.3 Thời gian lăn tối ưu

 Thời gian lăn tối ưu là khi đó tàu bay lăn trong một khoảng thời gian sao chongắn nhất, tạo điều kiện thuận lợi cho các hoạt động tiếp theo được diễn ra liêntục và hiệu quả nhất

 Vì vậy, các nhà khai thác hàng không như các hãng hàng không, cảng hàngkhông và nhà cung cấp dịch vụ bảo đảm hoạt động bay cùng nhau phối hợp, tínhtoán và ra quyết định để tàu bay lăn ra đường CHC trong thời gian nhanh nhấtnhưng vẫn đảm bảo an toàn, điều hòa và hiệu quả

1.2.4 Ý nghĩa của thời gian lăn trong quá trình khai thác

 Thời gian dự kiến lăn ra hay lăn vào được sử dụng để tính toán thời gian đóngchèn và thời gian cất cánh Thời gian dự kiến lăn ra, lăn vào (EXIT/EXOT) đượcxác định cụ thể cho mỗi đường CHC, vị trí đỗ và từng loại tàu bay

 Việc tính toán và dự đoán giờ lăn bánh của tàu bay một cách chính xác, nhanhchóng sẽ đạt được những lợi ích sau đây:

 Tăng khả năng thực hiện chuyến bay đúng giờ;

 Giảm thời gian hoạt động trên khu bay;

 Giảm thiểu ùn tắc trên đường lăn;

 Tối ưu thứ tự khởi hành;

 Giảm chi phí do tiêu thụ nhiên liệu;

 Thúc đẩy cho các quá trình tiếp theo được nhanh chóng, thuận lợi

 Việc dự đoán/tính toán giờ lăn bánh của tàu bay đúng, chính xác đóng góp mộtphần quan trọng thúc đẩy hoạt động bay tại cảng hàng không, sân bay

 Hiện nay, ngành hàng không đang phát triển với tốc độ quá nhanh, bên cạnhnhững mặt tích cực thì vẫn song song tồn tại và phát sinh thêm một số khó khăn

hàng không tại các cảng hàng không sân bay Vì vậy, “Phối hợp ra quyết định tạicảng hàng không sân bay” (A-CDM) ra đời là một trong những giải pháp nhằmhạn chế việc chậm chuyến, hủy chuyến, tăng năng lực khai thác tại các cảng hàngkhông sân bay mà hiện nay nhiều quốc gia trên thế giới đang áp dụng trong đó cóViệt Nam

 Đặc biệt, thời gian lăn của tàu bay là một trong những yếu tố quan trọng gópphần giúp cho mô hình A-CDM khi áp dụng đạt được hiệu quả cao nhất

a) Mô hình Phối hợp ra quyết định tại cảng hàng không sân bay - A-CDM

 A-CDM bao gồm các quy tắc và quy trình cho các bên liên quan hoạt động tạisân bay để chia sẻ thông tin và phối hợp ra quyết định với mục tiêu tối ưu hóa

việc sử dụng nguồn lực tại sân bay (Theo Thông tư 29/2021/TT-BGTVT) [2]

 A-CDM là mô hình điều phối kết hợp giữa các đơn vị điều hành khai thác tại sân

bay như: Nhà Khai thác cảng (Airport Operators), Nhà khai thác tàu bay (Aircraft Operators), các Đơn vị phục vụ mặt đất (Ground Handlings), Không lưu (Air Traffic Control) và Quản lý luồng (Air Traffic Flow Management) [3]

Hình 4 Sự phối hợp hoạt động của các đơn vị liên quan [4]

 A-CDM yêu cầu phải có sự phối hợp của tất cả các đơn vị liên quan đến chu trìnhkhai thác chuyến bay [5]

 Tóm lại, A-CDM là hệ thống phối hợp ra quyết định tại cảng hàng không, sân bay

(Airport Collaborative Decision Making): Các đơn vị phục vụ khai thác các chuyến

bay tại các cảng hàng không cùng nhau phối hợp, cung cấp và chia sẻ những thông tinliên quan đến từng giai đoạn của mỗi chuyến bay Từ đó, ra quyết định tổ chức chuyếnbay với thời gian ngắn nhất

 Ví dụ: Thời gian tàu bay vào bến đậu đóng chèn, tàu bay rời bến đậu lăn rađường CHC, nhận lệnh cất cánh rời sân bay thì các đơn vị thực hiện nhiệm vụ,phối hợp triển khai nhịp nhàng, chính xác hạn chế việc chậm trễ, tắc nghẽn khitàu bay hoạt động tại cảng hàng không Từ đó, thúc đẩy hoạt động bay đượcnhanh hơn, hiệu quả hơn

 A-CDM cung cấp nền tảng để các đơn vị phối hợp, chia sẻ thông tin, dữ liệuphục vụ công tác ra quyết định tại cảng hàng không, sân bay [5]

 Nguyên tắc chung là người dùng có thể truy cập dữ liệu A-CDM thông qua “Nềntảng chia sẻ thông tin A-CDM” (ACISP = A-CDM information sharingplatform)

 ACISP sẽ là trung tâm trao đổi, tích hợp dữ liệu, thông tin giữa các hệ thốngcũng như giữa các đơn vị để đảm bảo cung cấp một góc nhìn chung, một bứctranh toàn cảnh nhất về tình hình khai thác đang diễn ra tại cảng hàng khôngsân bay

 Phương tiện truy cập được qua trình duyệt Web, thiết bị di động, thuận lợi choviệc truy cập từ xa

 Các đơn vị phục vụ chuyến bay sẽ phối hợp, cập nhật, chia sẻ dữ liệu liên quanđến chuyến bay tương ứng với các mốc thời gian (5 giai đoạn bao gồm 16 mốcthời gian)

 Áp dụng thử nghiệm hệ thống A-CDM tại CHKQT Nội Bài và CHKQT Tân SơnNhất giai đoạn 1 từ 26/3/2023 - 30/4/2023 [6]

Hình 5 Quá trình chia sẻ thông tin trong các giai đoạn của mô hình A-CDM [4] b) Mối liên hệ giữa thời gian lăn của tàu bay trong mô hình A-CDM

 Tất cả các thông tin, dữ liệu sẽ được các đơn vị tương liên quan chia sẻ tại 16mốc thời gian, tương ứng với 5 giai đoạn dưới đây:

Hình 6 Mô tả 5 giai đoạn và 16 mốc thời gian cần chia sẻ [4]

 Trong đó, thời gian lăn bánh là yếu tố quan trọng để đảm bảo tính chính xác khi dựtính thời gian cất cánh, đặc biệt tại các sân bay có điều kiện khai thác phức tạp

Hình 7 Thời gian lăn – Variable Taxi Times (VTT) [4]

 Thời gian tàu bay lăn bánh khởi hành là yếu tố được sử dụng giúp tính toán thời

gian dự kiến rút chèn TOBT (TOBT – Target Off-Block Time) và thời gian dự kiến cất cánh (TTOT – Target Take Off Time) Như vậy, nó có mối liên hệ mật

thiết với các mốc thời gian quan trọng của ACDM cụ thể từ giai đoạn turn around đến hết giai đoạn out - bound

- Mốc 7 – 9: In-Block, bắt đầu phục vụ mặt đất, cập nhật TOBT

 Thời gian dự kiến rút chèn (TOBT) và thời gian cất cánh mục tiêu (TTOT)được tính toán dựa trên cơ sở khoảng thời gian turn - around ước tính chochuyến bay khởi hành

 Thời gian rút chèn cuối cùng được cập nhật, đây là thời gian mà đơn vị khaithác tàu bay hoặc các đơn vị mặt đất cung cấp thời gian rút chèn chính xác baogồm tình hình hoạt động Mục đích cập nhật giá trị TOBT cuối cùng giúp đưa

ra đánh giá kịp thời trong trường hợp bị gián đoạn (nội bộ hoặc bên ngoài) thì

sự khác biệt giữa thời gian rút chèn ước tính (EOBT) và thời gian rút chèn(TOBT) có thể quan trọng

 TOBT chính xác = EOBT - t (phút) – là điều kiện tiên quyết để ATC thiết lập

trình tự đẩy lùi trước giờ khởi hành Hệ thống sẽ tính toán và cung cấp thờigian lăn ra ước tính (EXOT) dựa trên lưu lượng giao thông bằng cách dự đoán

vị trí cổng, điểm dừng/chờ, đường băng sử dụng … chuyến bay được đưa vàotrình tự khởi hành giúp quản lý quá trình Turn - around phù hợp

 Mốc 10 – 13: Ban hành thời gian dự tính nổ máy (TSAT – Target Start up Approval Time), boarding, yêu cầu khởi động từ phi công.

 Khi chuyến bay được ổn định vào trình tự trước khi khởi hành AO/GH phốihợp phi hành đoàn bắt đầu thời gian Boarding, cổng mở để hành khách bắt đầulên máy bay khi đó cung cấp thông tin thời gian rút chèn (TOBT) và thời gian

dự tính nổ máy (TSAT) cho A-CDM đối tác

 Chuyến bay đã sẵn sàng, thời điểm đóng tất cả các cửa, sẵn sàng lăn bánh khinhận được lệnh từ TWR

 ATC tu chỉnh trình tự trước khi khởi hành Sau khi phối hợp với đơn vị mặtđất, phi công có thể yêu cầu khởi động trước thời gian dự tính ATC xác nhậnTSAT cho phi công để duy trì chuyến bay theo trình tự trước khi khởi hành

Nếu đã sẵn sàng, ATC sẽ tính toán thời gian cất cánh (CTOT – Calculated Take Off Time).

 Như vậy, việc tính toán thời gian lăn sẽ phụ thuộc vào thời gian dự tính rút chèn và

ảnh hưởng đến thời gian dự định cất cánh của tàu bay

CHƯƠNG 02: CƠ SỞ NGHIÊN CỨU VỀ CÁC MÔ HÌNH TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY

2.1 Các nghiên cứu mô hình dự báo thời gian của hệ thống A-CDM

2.1.1 Nghiên cứu về mô hình Graph Neural Network trong việc tính toán thời gian lăn bánh tại sân bay Atlanta

2.1.1.1 Giới thiệu tổng quan về mô hình GNN

 Mạng nơ-ron đồ thị – Graph Neural Network là một khái niệm vô cùng quenthuộc trong học máy, là một phương pháp học sâu được thiết kế để thực hiện suyluận, phỏng đoán trên cơ sở dữ liệu được mô tả bằng đồ thị Những năm gần đây,

dữ liệu đồ thị không phải là hiếm trong các mô hình hệ thống đề xuất, chúng ta

có thể bắt gặp các ứng dụng thực tế trong các lĩnh vực như mô phỏng vật lý, pháthiện tin giả , hệ thống đề xuất và dự đoán lưu lượng giao thông truy cập, GNN

được công nhận là một trong những lĩnh vực nghiên cứu học sâu (Deep learning)

hấp dẫn và ngày càng có nhiều ứng dụng tận dụng GNN để cải thiện hiệu suấtcủa chủ thể được nghiên cứu vì tính linh hoạt của chúng trong việc mô hình hóacác mối quan hệ phức tạp, điều mà các mạng thần kinh truyền thống trước đâykhông thể làm được

 Phần lớn các dữ liệu trong hệ thống GNN bao gồm thông tin có quan hệ, phù hợpvới cách biểu diễn đồ thị để thể hiện rõ mối tương quan giữa các thực thể Ví dụđiển hình của dữ liệu đồ thị trong đời sống thường ngày là biểu đồ xã hội kết nốingười dùng, trong đó các cạnh đại diện mối quan hệ xã hội giữa người dùng vớinhau Với cách tiếp cận của mạng lưới nơ-ron này, dữ liệu được biểu diễn mộtcách hiệu quả, tận dụng sức mạnh của GNN để biểu diễn mỗi chủ thể trong biểu

đồ và nắm bắt các mối quan hệ phức tạp giữa chúng, cung cấp một cách dễ dàng

để thực hiện các tác vụ dự đoán ở cấp độ từ đơn giản đến phức tạp

 Với những đặc tính đó, trong khuôn khổ của bài nghiên cứu dưới đây sẽ đi sâu

vào ứng dụng mô hình này để tối ưu hoá hoạt động lăn bánh (Taxi-out) của tàu

bay tại những cảng hàng không, sân bay quốc tế với tình hình giao thông bề mặtphức tạp

Hình 8 Minh họa mô hình GNN [7]

2.1.1.2 Mô hình nghiên cứu áp dụng GNN vào việc dự đoán thời gian lăn tại sân bay

 Hiện tại, phần lớn các sân bay, thời gian lăn mặc định được giả định cho tất cảcác chuyển động trên sân, nếu không thì một tập hợp thời gian lăn được liên kếtvới các cấu hình đường băng cụ thể Trong khi điều này có thể hợp lý tại các sânbay nhỏ, thời gian lăn có thể thay đổi đáng kể tại các sân bay vừa và lớn nơi cónhiều yếu tố bố trí đường lăn, phương thức khai thác, loại tàu bay, đường lăn,cũng như lưu lượng và điều kiện thời tiết, tất cả đều có thể có tác động đáng kểđến thời gian lăn thực tế

 Với bản chất là một mạng nơ-ron với tiềm năng đáng kể trong phức hợp các mốiquan hệ giữa các thực thể, có khả năng trích xuất cao những thông tin tiềm ẩn từ

dữ liệu thô nhập vào ban đầu Chính vì điều này, GNN là mô hình khá lý tưởngtrong việc thực hiện các nhiệm vụ đưa ra các dự đoán thời gian lăn tàu bay, trongnghiên cứu dưới đây, mô hình thực nghiệm GNN được triển khai tại Sân bay

quốc tế tại thành phố Atlanta, tiểu bang Georgia - Hoa Kỳ Sân bay gồm 5 đườngbăng với tổ hợp các đường lăn phức tạp, việc dự đoán và tính toán biến động thờigian lăn có thể cung cấp ước tính thời gian lăn chính xác hơn, đem lại hiệu quảkhai thác lớn hơn.

Hình 9 Sơ đồ đường lăn sân đỗ của sân bay Atlanta [8]

2.1.1.3 Phương pháp nghiên cứu

 Nghiên cứu được phân tích dựa trên phương pháp Dữ liệu đồ thị (Graph-based) –

sử dụng cấu trúc đồ thị để biểu diễn thông tin đầu vào của một tập các mục/ đốitượng, trong đó các cặp đối tượng được kết nối bởi các đường liên kết để thể hiệnmối tương quan Tức là dữ liệu thô từ các nguồn đầu vào sẽ không thể được nhậptrực tiếp vào máy, thay vào đó, dữ liệu thường được yêu cầu dưới dạng hình thức

cụ thể để máy có thể đọc

 Hình thức của mô hình GNN có thể đa dạng dưới nhiều thể loại khác nhau, như

dữ liệu văn bản, dữ liệu số hóa, hình ảnh, chuỗi, Tuy nhiên, trong nghiên cứudưới đây, dữ liệu sẽ chỉ được mô hình hóa dưới dạng biểu đồ, đây cũng chính làđặc điểm nổi bật trong quy trình xử lý dữ liệu của GNN Điều này là hợp lý vì dữliệu bao gồm các thông tin quan hệ/ liên quan với nhau nên phù hợp với dữ liệu

đồ thị - nơi mà các chủ thể chính sẽ được thể hiện dưới dạng mỗi nút (Node), và mối quan hệ tương quan giữa các đỉnh với nhau biểu thị bằng cạnh (Edge) [7]

G = (V, E)

Vì vậy, một đồ thị G là một cặp các tập hợp (V, E), trong đó

 V: Tập các đỉnh được biểu diễn như mỗi nút tròn xanh tại hình 10

 E: Tập các cạnh mà kết nối các cặp điểm biểu diễn bằng một đường nối haiđỉnh có hướng hoặc không có hướng

 Với bản chất đó, mỗi loại dữ liệu đầu vào được máy học trình bày cụ thể dướidạng đồ thị mạng lưới nhằm nắm bắt, biểu diễn hiệu quả và chính xác các đặcđiểm đặc trưng của dữ liệu thu được Theo đó dữ liệu đồ thị sẽ được đẩy vào môhình để biểu diễn để tương thích và khớp với thực tiễn, đảm bảo sự phù hợp củachúng để xây dựng các đề xuất, phác thảo phương thức dự đoán dựa trên máyhọc

Hinh 10 Mô tả dữ liệu đồ thị [9]

2.1.1.4 Kiến trúc mô hình GNN tại Atlanta Airport

Để thuận tiện cho việc triển khai hoạt động, mô hình này chỉ bao gồm các đặc điểm/

đặc tính có sẵn từ thông tin lập kế hoạch chiến thuật (Tactical planning information),

nghĩa là dữ liệu đầu vào cho mô hình sẽ được sẵn có từ kế hoạch đã được lên trước đó

 Dữ liệu đầu vào (Pipeline) [10]

 Quy trình xử lí dữ liệu (Data Pipeline) để thực hiện tối ưu hoá thời gian lăn

bánh được chia thành 3 giai đoạn chính được thể hiện dưới đây :

Hình 11 Sơ đồ thu thập dữ liệu đầu vào [10]

 Giai đoạn đầu (màu xám): Trong giai đoạn này, những dữ liệu giám sát

(Surveillance Data) được thu thập bao gồm 2 nguồn [10]:

 Dữ liệu phụ trợ (Auxiliary data): Bao gồm tin tức về thời tiết, khí tượng (Meteorological Information) tại sân bay, trên đường bay hoặc ở các

không phận mà tàu bay dự định sẽ bay qua, tình trạng bề mặt đườngCHC Ngoài ra, lúc này, các thông tin khác về sân bay phục vụ cho mục

đích hữu hình hoá đồ thị (Airport Graph Data) cũng sẽ được cung cấp từ

đường truyền trao đổi dữ liệu giữa đơn vị cảng hàng không Ví dụ như,thông tin đóng cửa các đường lăn, bến đỗ vì mục đích bảo trì, bảodưỡng,

 Quỹ đạo dự kiến (Trajectory preparation) [10]: Các quỹ đạo dự định cho

tàu bay di chuyển trên mặt đất sẽ được thiết lập trước từ hệ thống kiểm

soát và hướng dẫn di chuyển trên mặt đất nâng cao (ASMGCS

-Advanced Surface Movement Guidance and Control System) Như vậy,

để đi từ một điểm đến một điểm, hệ thống sẽ đưa ra rất nhiều sự lựa chọn

để thực hiện và tính toán thời gian Khi kiểm soát viên chỉ định mộtđường lăn cố định cho tàu, dự đoán quỹ đạo 4D sẽ được thực hiện để loại

bỏ bất cứ tiềm năng xung đột nào giữa tàu lăn với các tàu đang hoạt độngkhác, có thể quyết định thời gian tốt hơn để đẩy lùi và giảm thời gian tàucần phải dừng chờ Kết quả là giúp tiết kiệm chi phí, thời gian lăn, vànhiên liệu tàu bay

 Giai đoạn 2 (màu xanh dương)

 Giai đoạn này được gọi là Graph fusion – tích hợp vào đồ thị Các dữliệu thu thập ở giai đoạn đầu sau khi mã hoá sẽ được hợp nhất với dữ liệubiểu đồ sân bay (bãi đỗ, layout đường lăn, đường băng, ) bằng thuật toán

so khớp bản đồ (Map-matching algorithm).

Các bổ sung thêm về trạng thái di chuyển và hàng đợi trước thềm CHCcủa đường băng cũng được cập nhật liên tục theo thời gian thực Các quỹđạo khác nhau sau đó được sử dụng để có được các đặc điểm nổi bật củaluồng di chuyển Đặc điểm về dòng lưu lượng truy cập là một trongnhững biến số chính được xem xét khi ước tính thời gian tàu bay lăn, vìviệc tắc nghẽn được cho là có tác động xấu đến chuyển động bề mặt (Vídụ: ảnh hưởng đến tốc độ lăn và dẫn đến hàng chờ dài để cất cánh)

Phân bổ thời gian chờ trên đường lăn thông qua vận tốc tàu được ghinhận (khi vận tốc bằng 0 và khác 0) có thể được phân tách theo nhiềudạng khác nhau với mục đích phục vụ cho việc nhận dạng ngoại lệ giữatàu lăn không bị cản trở và có cản trở, có thể là: Chờ trong khu vực xếphàng đợi trước khi cất cánh, chờ cấp lăn sau khi được đẩy lùi, chờ tạiđiểm giao đường lăn vì có hoạt động cắt ngang của tàu khác, chờ vì hưhỏng yếu tố kỹ thuật, hay ngoại cảnh [11]

 Có cản trở (Impedded taxi-out time): Sự di chuyển tàu bay khác trên

bề mặt sân, máy bay lăn thường phải dừng lại vì các yếu tố ngoạicảnh, khách quan về hoạt động khai thác tại sân