Implementacja metod uczenia maszynowego do zarządzania ruchem lotniczym

Współczesny rozwój technologii, mimo swego zaawansowania, nie eliminuje problemów wpływających na bezpieczeństwo i efektywność różnych dziedzin życia, w tym transportu lotniczego. Jednym z kluczowych wyzwań w tej branży pozostają opóźnienia, które mogą generować nie tylko znaczące koszty, lecz także negatywnie wpływać na bezpieczeństwo operacji lotniczych. W artykule przedstawiono zastosowanie metod uczenia maszynowego do predykcji opóźnień oraz modelowania przepustowości lotnisk. Wykorzystano algorytmy regresji, drzewa decyzyjne oraz uczenie ze wzmocnieniem do analizy danych operacyjnych. Wyniki badań wskazują, że implementacja modeli uczenia maszynowego umożliwia bardziej precyzyjne prognozowanie opóźnień, wspierając procesy decyzyjne oraz optymalizację zarządzania ruchem lotniczym.

---

Despite significant technological advancements, various factors continue to affect the safety and efficiency of multiple industries, including air transportation. One of the critical challenges in this field remains flight delays, which not only generate substantial economic costs but also pose potential risks to operational safety. This paper explores the application of machine learning methods for delay prediction and airport capacity modeling. Regression algorithms, decision trees, and reinforcement learning techniques were employed to analyze operational data. The study findings indicate that implementing machine learning models enables more precise delay forecasting, supporting decision-making processes and optimizing air traffic management.