اگه اهل هوایی و فرودگاهی و مدیریت پرواز باشی، احتمالاً می‌دونی که اینکه چه موقع هر هواپیما به باند می‌رسه چقدر مهمه! با توجه به ترافیک شدید و شرایط متغیر هوا، اینکه سیستم بتونه سریع و دقیق پیش‌بینی کنه زمان تقریبی رسیدن هواپیما (ETA یا Estimated Time of Arrival) چقد حیاتی میشه. اما فقط دقت بالا کافی نیست، چون باید این پیش‌بینی‌ها آنی و بدون تاخیر باشن، وگرنه مدیر پرواز نمی‌تونه به موقع اوضاع رو کنترل کنه.
حالا یه تیم محقق باحالی تو مقاله‌شون اومدن یه روش جدید پیشنهاد دادن. اینا از چیزی به اسم “Transformer with Feature Tokenization” استفاده کردن. خب الان بگم این اصطلاحات یعنی چی:
- Transformer یه مدل خیلی معروف تو حوزه هوش مصنوعیه مخصوص کاری مثل ترجمه متن یا تشخیص تصویر. اساس کارش Self-Attention یا خودتوجهیه که یعنی شبکه می‌تونه بخش‌های مهم هر ورودی رو خودش پیدا کنه.
- Feature Tokenization هم یعنی میان داده‌های خام (یه سری اعداد که ممکنه معنی خاصی تو ظاهرشون نداشته باشه مثلاً طول جغرافیایی، سرعت زمینی هواپیما، جهت، روز و ساعت، اطلاعات آب‌وهوا، و دسته‌بندی نویز بیدار بودن توربولانس یا Wake Turbulence Category رو که اصطلاحاً نشون‌دهنده تأثیر موج‌های هوایی یک هواپیما روی بقیه هواپیماهاست)، تبدیل می‌کنن به نمایش داخلی یا اون چیزی که مدل بهتر می‌فهمه.
حالا خوبی این روش اینه که لازم نداره کلی مهندسی ویژگی (Feature Engineering) انجام بدی. یعنی نمی‌خواد کارشناس بشینه تماماً دستی همه جزئیات مهم رو انتخاب کنه؛ مدل خودش می‌فهمه چی مهمه چی نه!
نکته جذاب‌تر اینکه این مدل ترنسفورمر قابلیت محاسبات موازی داره، یعنی می‌تونه همزمان با درخواست‌های زیاد کار کنه و مثلاً هر ثانیه (نرخ نمونه‌برداری 1HZ یعنی هر ثانیه یک بار داده جدید می‌گیره) پیش‌بینی ETA رو آپدیت کنه.
حالا سراغ بخش باحال آزمایش‌ها بریم. این روش رو روی داده‌های واقعی فرودگاه چانگی سنگاپور (کدش WSSS) تو مهر ماه ۱۴۰۱ (معادل اکتبر ۲۰۲۲) امتحان کردن. داده‌هاشون همون چیزی هست که بهش می‌گن ADS-B یعنی اطلاعات زنده موقعیت هواپیماها که واسه نظارت ترافیک هوایی استفاده میشه. مدلی که ساختن، تونست هواپیماهایی رو که تو بازه ۱۰ تا ۳۰۰ مایل دریایی (NM یا Nautical Mile) مانده به فرودگاه هستن، برای ETA مانیتور کنه.
حالا برگردیم به اصل داستان: خروجی‌ها چه جوری بودن؟ این مدل جدید، دقت پیش‌بینی زمان رسیدن هواپیما رو ۷ درصد نسبت به مدل معروف XGBoost (یه مدل یادگیری ماشینی جدی و قوی) افزایش داد و در عین حال فقط ۳۹ درصد منابع محاسباتی اون رو استفاده کرد. یعنی هم سریع‌تره هم کم‌مصرف‌تر! مثلاً وقتی تو همون لحظه ۴۰ تا هواپیما تو آسمون باشه، زمان پیش‌بینی ETA فقط ۵۱.۷ میکروثانیه طول می‌کشه! (خیلی کمه، یعنی تقریباً لحظه‌ایه)
در مجموع، این روش نوآورانه با استفاده از ترنسفورمر و فیچر توکنیزیشن، هم سرعت سیستم مدیریت ورود هواپیماها رو بالا برده هم دقتش رو زیاد کرده. خلاصه اگر مدیریت پرواز و نظم‌بخشی باندها واست مهمه یا دنبال یه راه باحال برای پیش‌بینی دقیق لحظه نشست هواپیماها می‌گردی، این مقاله چیزای زیادی برای گفتن داره!
منبع: +
