Tiềm Năng Áp Dụng Mô Hình Graph Neural Network Trong Tối Ưu Hóa Thời Gian Lăn Bánh Tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất

• Tác giả: Nguyễn Thị Minh Ngọc
• Người hướng dẫn: Th.S. Hồ Thị Vũ Hiền
• Trường học: Học viện Hàng không Việt Nam
• Chuyên ngành: Khoa Khai thác Hàng không
• Đề tài: Tiềm Năng Áp Dụng Mô Hình Graph Neural Network Trong Tối Ưu Hóa Thời Gian Lăn Bánh Tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất
• Loại tài liệu: Báo cáo đồ án môn học
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN
• NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• KÝ HIỆU VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN
• 1.1. Giới thiệu tổng quan về đề tài
• 1.2. Lý do chọn đề tài
• 1.3. Tính cấp thiết của đề tài nghiên cứu
• 1.4. Phạm vi và đối tượng nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa của đề tài nghiên cứu
• 1.7. Tổng quan Thời gian tàu bay lăn bánh
• 1.8. Thời gian lăn tối ưu
• 1.9. Ý nghĩa của thời gian lăn trong quá trình khai thác
• 2. 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
• 2.1.2. 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
• 2.2. Đánh giá hai mô hình nghiên cứu thời gian lăn bánh
• 2.2.1. Nguyên lý cốt lõi của 2 mô hình nghiên cứu
• 2.2.2. Các yếu tố đánh giá mô hình
• 2.2.3. Đánh giá lựa chọn mô hình
• 3. CHƯƠNG 03: MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY
• 3.1. Mô hình Graph Neural Network
• 3.1.1. Tổng quan về mô hình Graph Neural Network
• 3.1.2. Đặc tính của mô hình Graph Neural Networks
• 3.1.3. Ứng dụng mô hình Graph Neutral Network đưa ra dự đoán thời gian lăn bánh của tàu bay
• 3.1.4. Các trang thiết bị yêu cầu khi triển khai mô hình GNN
• 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
• 3.3. Thực trạng tắc nghẽn tại Cảng HKQT Tân Sơn Nhất
• 3.4. Đánh giá tính phù hợp của mô hình GNN trong việc tối ưu hóa thời gian lăn bánh
• 4. 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
• 4.1. Mô hình giả định áp dụng GNN trong việc tối ưu hóa thời gian lăn bánh của tàu bay
• 4.1.1. Phạm vi và đối tượng áp dụng
• 4.1.2. Các yếu tố ảnh hưởng
• 4.1.3. Áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất
• 4.2. Bài toán áp dụng nghiên cứu GNN tại CHKQT Tân Sơn Nhất
• 4.2.1. Các giả thuyết của bài toán
• 4.2.2. Bài toán thực tế áp dụng mô hình GNN
• 4.2.3. Kết quả nghiên cứu
• 4.2.4. Kiểm định mô hình
• 4.2.4.1. Thời gian lăn trung bình trên các đoạn đường lăn
• 4.2.4.2. Thời gian dừng chờ trung bình
• 4.2.4.3. Đánh giá chung
• 4.2.5. Đề xuất hướng phát triển
• 4.2.6. Tiểu kết chương
• 4.3. Tổng kết đánh giá
• 4.4. Những khó khăn còn tồn tại
• 5. CHƯƠNG 05: TỔNG KẾT
• DANH MỤC TÀI LIỆU THAM KHẢO

I. Tiềm năng áp dụng mô hình Graph Neural Network trong tối ưu hóa thời gian lăn bánh

Mô hình Graph Neural Network (GNN) đang nổi lên như một giải pháp tiềm năng trong việc tối ưu hóa thời gian lăn bánh tại các cảng hàng không. Tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất, việc áp dụng GNN có thể giúp cải thiện hiệu suất hoạt động, giảm thiểu thời gian chờ đợi và tăng cường khả năng quản lý giao thông hàng không. Nghiên cứu này sẽ phân tích các khía cạnh quan trọng của mô hình GNN và cách thức nó có thể được triển khai để tối ưu hóa quy trình lăn bánh của tàu bay.

1.1. Tổng quan về mô hình Graph Neural Network

Mô hình Graph Neural Network là một phương pháp học sâu, cho phép xử lý dữ liệu có cấu trúc đồ thị. GNN có khả năng học từ các mối quan hệ phức tạp giữa các nút trong đồ thị, điều này rất hữu ích trong việc phân tích dữ liệu giao thông tại sân bay.

1.2. Lợi ích của việc tối ưu hóa thời gian lăn bánh

Tối ưu hóa thời gian lăn bánh không chỉ giúp giảm thiểu chi phí nhiên liệu mà còn nâng cao trải nghiệm hành khách. Việc giảm thời gian lăn bánh có thể dẫn đến việc tăng cường hiệu suất hoạt động của cảng hàng không và giảm thiểu tình trạng tắc nghẽn.

II. Vấn đề và thách thức trong tối ưu hóa thời gian lăn bánh tại cảng hàng không

Tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất, nhiều vấn đề phát sinh trong quá trình lăn bánh của tàu bay. Tình trạng tắc nghẽn, thời gian chờ đợi kéo dài và sự không đồng bộ trong hệ thống giao thông là những thách thức lớn. Việc áp dụng mô hình GNN có thể giúp giải quyết những vấn đề này một cách hiệu quả.

2.1. Tình trạng tắc nghẽn tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất

Tình trạng tắc nghẽn tại cảng hàng không thường xuyên xảy ra do lưu lượng tàu bay cao. Điều này dẫn đến việc tăng thời gian lăn bánh và ảnh hưởng đến lịch trình bay. GNN có thể giúp phân tích và dự đoán thời gian lăn bánh một cách chính xác hơn.

2.2. Các yếu tố ảnh hưởng đến thời gian lăn bánh

Nhiều yếu tố như thời tiết, mật độ giao thông và quy trình kiểm soát không lưu ảnh hưởng đến thời gian lăn bánh. Việc hiểu rõ các yếu tố này sẽ giúp mô hình GNN hoạt động hiệu quả hơn trong việc tối ưu hóa thời gian.

III. Phương pháp áp dụng mô hình Graph Neural Network trong tối ưu hóa

Để áp dụng mô hình Graph Neural Network trong tối ưu hóa thời gian lăn bánh, cần thực hiện một số bước quan trọng. Các bước này bao gồm thu thập dữ liệu, xây dựng mô hình và đánh giá hiệu quả của mô hình trong thực tế.

3.1. Thu thập và phân tích dữ liệu

Dữ liệu về thời gian lăn bánh, lưu lượng giao thông và các yếu tố khác cần được thu thập và phân tích. Việc này giúp xây dựng một cơ sở dữ liệu vững chắc cho mô hình GNN.

3.2. Xây dựng mô hình GNN

Sau khi thu thập dữ liệu, bước tiếp theo là xây dựng mô hình GNN. Mô hình này sẽ được huấn luyện để dự đoán thời gian lăn bánh dựa trên các yếu tố đã phân tích.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của mô hình GNN

Kết quả nghiên cứu cho thấy mô hình Graph Neural Network có khả năng dự đoán thời gian lăn bánh chính xác hơn so với các phương pháp truyền thống. Việc áp dụng mô hình này tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất đã mang lại nhiều lợi ích thiết thực.

4.1. Kết quả dự đoán thời gian lăn bánh

Mô hình GNN đã cho kết quả dự đoán thời gian lăn bánh chính xác, giúp giảm thiểu thời gian chờ đợi và tăng cường hiệu suất hoạt động của cảng hàng không.

4.2. Ứng dụng thực tiễn tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất

Việc áp dụng mô hình GNN tại Cảng Hàng Không Quốc Tế Tân Sơn Nhất đã giúp cải thiện quy trình lăn bánh, giảm thiểu tình trạng tắc nghẽn và nâng cao trải nghiệm hành khách.

V. Kết luận và triển vọng tương lai của mô hình GNN trong ngành hàng không

Mô hình Graph Neural Network không chỉ là một công cụ mạnh mẽ trong việc tối ưu hóa thời gian lăn bánh mà còn mở ra nhiều cơ hội mới cho ngành hàng không. Tương lai của mô hình này hứa hẹn sẽ mang lại nhiều cải tiến trong quy trình quản lý giao thông hàng không.

5.1. Tương lai của mô hình GNN trong ngành hàng không

Với sự phát triển không ngừng của công nghệ, mô hình GNN có thể được cải tiến và áp dụng rộng rãi hơn trong ngành hàng không, giúp tối ưu hóa nhiều quy trình khác nhau.

5.2. Đề xuất hướng phát triển mô hình GNN

Cần tiếp tục nghiên cứu và phát triển mô hình GNN để nâng cao khả năng dự đoán và tối ưu hóa thời gian lăn bánh, đồng thời mở rộng ứng dụng của nó trong các lĩnh vực khác của ngành hàng không.