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

Chuyên khảo phân tích Tiềm năng áp dụng mô hình graph neural network trong việc tối ưu hóa thời gian lăn bánh của tàu bay, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• 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

Mục lục chi tiết

• 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

Tóm tắt

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.

Nội dung chính

Giới thiệu dự án

Sự gia tăng nhanh chóng của lưu lượng vận tải hàng không toàn cầu đặt ra thách thức lớn đối với năng lực quản lý bề mặt sân bay (Airport Surface Management). Tại các cảng hàng không quốc tế có mật độ bay cao, tình trạng trễ chuyến và ùn ứ trên hệ thống đường lăn (Taxiway Network) diễn ra ngày càng thường xuyên. Theo thống kê của Eurocontrol và Cục Hàng không Liên bang Hoa Kỳ (FAA), thời gian lăn bánh của tàu bay chiếm tới 15–30% tổng thời gian vận hành mặt đất, đóng góp đáng kể vào lượng tiêu thụ nhiên liệu thừa và phát thải khí nhà kính ($CO_2$, $NO_x$). Tại Việt Nam, Cảng Hàng không Quốc tế (CHKQT) Tân Sơn Nhất – với cấu hình 2 đường cất hạ cánh (CHC) song song 25R/07L và 25L/07R có khoảng cách tim đường chỉ 365m – thường xuyên đối mặt với tình trạng nghẽn cổ chai nghiêm trọng tại các nút giao cắt đường lăn trong khung giờ cao điểm (08h00 – 09h00 và 16h00 – 19h00).

Vấn đề cốt lõi (Problem Statement) nằm ở chỗ các phương pháp dự báo thời gian lăn truyền thống (như bảng tra cứu tĩnh hoặc mô hình hồi quy tuyến tính đơn giản) không thể nắm bắt được tính chất phi tuyến, biến động không gian - thời gian (Spatio-temporal Dynamics) và sự phụ thuộc tô-pô phức tạp giữa các luồng tàu bay di chuyển đồng thời trên sân đỗ và đường lăn.

                    [Hệ thống Giám sát: ADS-B / ASDE-X / A-SMGCS]
                     [Biểu diễn Đồ thị Sân bay: G = (V, E)]
             (V: Điểm giao/Bến đỗ/Đầu RWY | E: Phân đoạn đường lăn)
               [Mô hình Spatio-Temporal Graph Neural Network (ST-GNN)]
     [Dự báo Vận tốc & Điểm chờ]                     [Tính toán EXOT/EXIT]
               [Tích hợp Nền tảng A-CDM: Tối ưu TOBT, TSAT, TTOT]

Mục tiêu nghiên cứu của đồ án bao gồm:

1. Xây dựng cấu trúc biểu diễn đồ thị không gian $G = (V, E)$ cho hệ thống đường lăn và sân đỗ tại CHKQT Tân Sơn Nhất.
2. Thiết kế và đánh giá mô hình Mạng Nơ-ron Đồ thị (Graph Neural Network - GNN) để dự báo chính xác thời gian lăn ra ước tính (Estimated Taxi-Out Time - EXOT) và thời gian lăn vào ước tính (Estimated Taxi-In Time - EXIT).
3. Đánh giá tính khả thi khi tích hợp mô hình GNN vào hệ thống Phối hợp ra quyết định tại Cảng hàng không (Airport Collaborative Decision Making - A-CDM), hỗ trợ chuẩn hóa 16 mốc thời gian khai thác (Milestones).
4. Kiểm định hiệu năng mô hình trên dữ liệu quỹ đạo thực tế (thu thập qua ADS-B và Flightradar24) đối với các chuyến bay khởi hành từ Sân đỗ 1 và Sân đỗ 2 ra đầu đường CHC 25L.

Phạm vi nghiên cứu tập trung vào các luồng di chuyển bề mặt tại CHKQT Tân Sơn Nhất trong giai đoạn thử nghiệm A-CDM, giới hạn phân tích trên tàu bay phản lực thương mại thân hẹp và thân rộng (A321, B747, B787).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi GNN được nghiên cứu, hai nhóm giải pháp chính thường được áp dụng gồm: Bảng tra cứu thời gian cố định (Look-up Tables) và Mô hình Hồi quy Tuyến tính (Linear Regression Models) như Mô hình Luồng đồng nhất (Uniform Flow Model - UFM) và Mô hình Phân chia luồng (Split Flow Model - SFM).

Tiêu chí so sánh	Bảng tra cứu chuẩn (Lookup Table)	Hồi quy tuyến tính đa biến (ASDE-X/UFM/SFM)	Mạng Nơ-ron Đồ thị (GNN Model)
Bản chất dữ liệu	Tĩnh, theo cấu hình đường CHC	Dữ liệu dạng bảng (Tabular data)	Dữ liệu phi Euclid, đồ thị động ($G=(V, E)$)
Xử lý tương tác không gian	Không hỗ trợ	Gián tiếp qua số lượng tàu bay trên đường lăn	Trực tiếp qua ma trận kề $A$ và tính năng cạnh $E$
Xử lý biến động thời gian	Cố định theo khung giờ	Hạn chế, chỉ theo chuỗi thời gian trễ	Dynamic Spatio-Temporal Convolution Layers
Độ trễ dự báo (MAE)	> 5 - 8 phút	2.5 - 4.2 phút	< 1.0 - 1.5 phút (Sai số $\le \pm 2$ phút)
Khả năng thích ứng nghẽn	Kém	Trung bình	Rất cao, cập nhật theo trạng thái hàng đợi

Yêu cầu người dùng theo ma trận MoSCoW:

• Must have: Dự báo EXOT với sai số tuyệt đối trung bình (MAE) $< 2$ phút để đáp ứng tiêu chuẩn A-CDM; biểu diễn đầy đủ các nút giao cắt chính (V2, S5A, S5B, S53, S3, S31, S1).
• Should have: Nhận diện tự động điểm dừng chờ (Holding Point - HDP) khi vận tốc $v < 0.5\text{ m/s}$ trong thời gian $t > 10\text{ s}$.
• Could have: Tích hợp dữ liệu thời tiết METAR/TAF tự động.
• Won't have: Điều khiển tự động luồng di chuyển mặt đất theo thời gian thực (chỉ đóng vai trò hệ thống hỗ trợ ra quyết định - Decision Support System).

Thiết kế hệ thống

Hệ thống biểu diễn mạng lưới khu bay dưới dạng đồ thị có hướng $G = (V, E)$, trong đó:

• $V = {v_1, v_2, \dots, v_n}$ là tập hợp các đỉnh biểu diễn vị trí bến đỗ (Aircraft Stands), nút giao cắt đường lăn (Taxiway Intersections), điểm dừng chờ trước ngưỡng CHC (Runway Holding Points).
• $E = {e_{ij} = (v_i, v_j)}$ là tập hợp các cạnh có hướng biểu diễn các phân đoạn đường lăn nối từ đỉnh $i$ sang đỉnh $j$.

                                                                         (Segment S3)

Mỗi đỉnh $v_i$ chứa vector đặc trưng không gian $x_i^{(t)} \in \mathbb{R}^d$ tại thời điểm $t$ gồm: tọa độ địa lý, số lượng tàu bay trong bán kính lân cận, trạng thái bận. Mỗi cạnh $e_{ij}$ mang thuộc tính: chiều dài phân đoạn ($L_{ij}$), giới hạn tốc độ ($v_{\max}$), và lưu lượng tàu bay hiện tại ($Q_{ij}$).

Kiến trúc mạng GNN áp dụng mô hình Tích chập Đồ thị Không gian - Thời gian (Spatio-Temporal Graph Convolutional Network - ST-GCN):

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class AirportSTGNN(nn.Module):
    def __init__(self, node_features: int, hidden_dim: int, output_dim: int):
        super(AirportSTGNN, self).__init__()
        # Lớp tích chập đồ thị xử lý tương quan không gian
        self.spatial_conv1 = GCNConv(node_features, hidden_dim)
        self.spatial_conv2 = GCNConv(hidden_dim, hidden_dim)
        
        # Lớp Recurrent/Dense xử lý biến động thời gian
        self.temporal_dense = nn.Linear(hidden_dim, hidden_dim)
        self.regressor = nn.Sequential(
            nn.Linear(hidden_dim, 32),
            nn.ReLU(),
            nn.Linear(32, output_dim)
        )

    def forward(self, x, edge_index, edge_weight):
        # Lan truyền đặc trưng qua cấu trúc đồ thị sân bay
        h = torch.relu(self.spatial_conv1(x, edge_index, edge_weight))
        h = torch.relu(self.spatial_conv2(h, edge_index, edge_weight))
        
        # Xử lý temporal encoding
        h_temp = torch.relu(self.temporal_dense(h))
        
        # Dự báo thời gian lăn (EXOT/EXIT)
        out = self.regressor(h_temp)
        return out

Thuật toán lan truyền trạng thái nút (Node Feature Aggregation) tại tầng $k$: $$h_v^{(k)} = \sigma \left( W^{(k)} \cdot \sum_{u \in \mathcal{N}(v) \cup {v}} \frac{e_{uv}}{\sqrt{\tilde{d}_u \tilde{d}v}} h_u^{(k-1)} \right)$$ Trong đó $\mathcal{N}(v)$ là tập các đỉnh láng giềng của $v$, $e{uv}$ là trọng số cạnh, $\tilde{d}_v$ là bậc chuẩn hóa của đỉnh, $W^{(k)}$ là ma trận trọng số học được, và $\sigma$ là hàm kích hoạt phi tuyến (ReLU).

Methodology

Phương pháp luận của dự án tuân theo quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp phát triển lặp:

1. Thu thập dữ liệu: Trích xuất dữ liệu giám sát ADS-B qua API Flightradar24 và bản đồ AIP Việt Nam (Aeronautical Information Publication) tại CHKQT Tân Sơn Nhất.
2. Tiền xử lý & Map-Matching: Chiếu tọa độ GPS/ADS-B của tàu bay vào tim đường lăn bằng thuật toán Hidden Markov Model (HMM) Map-Matching, xác định trạng thái di chuyển (Moving: $v \ge 0.5\text{ m/s}$) và trạng thái cản trở (Impeded/Holding: $v < 0.5\text{ m/s}$, $t > 10\text{ s}$).
3. Huấn luyện mô hình: Tối ưu hóa hàm mất mát RMSE bằng thuật toán Adam Optimizer với learning rate $\eta = 0.001$, batch size = 64.
4. Kiểm định thực nghiệm: Đánh giá trên 22 chuyến bay giờ cao điểm (08h00 - 09h00) và đối chiếu với dữ liệu khai thác A-CDM thực tế.

---

Implementation và kết quả

Development process

Dự án được triển khai qua 4 giai đoạn kỹ thuật chính:

• Giai đoạn 1 (Graph Modeling): Số hóa toàn bộ khu bay Tân Sơn Nhất thành đồ thị 48 nodes và 76 directed edges. Định nghĩa các phân đoạn trọng điểm: V2 ($420\text{m}$), S5A ($180\text{m}$), S5B ($150\text{m}$), S53 ($210\text{m}$), S3 ($530\text{m}$), S31 ($190\text{m}$), S1 ($310\text{m}$).
• Giai đoạn 2 (Data Pipeline & Feature Extraction): Xử lý dữ liệu chuyến bay thực nghiệm (tiêu biểu: chuyến bay Bamboo Airways BAV1122 sử dụng bến đỗ Stand 2 lăn ra đầu đường CHC 25L lúc 01:29:00 UTC).
• Giai đoạn 3 (Model Training & Integration): Triển khai ST-GNN trên nền tảng Python 3.9, PyTorch Geometric 2.3, CUDA 11.8. Huấn luyện mô hình tách biệt giữa hai thành phần: Thời gian lăn không cản trở (Unimpeded Taxi Time - $T_{\text{unimpeded}}$) và Thời gian dừng chờ do xung đột (Holding/Impeded Time - $T_{\text{holding}}$).
• Giai đoạn 4 (Validation): Tính toán tổng thời gian lăn dự báo: $$\hat{T}{\text{taxi-out}} = \sum{e \in \mathcal{P}} \frac{L_e}{\hat{v}e} + \sum{k \in \mathcal{H}} \hat{t}_{\text{hold}, k}$$ Trong đó $\mathcal{P}$ là quỹ đạo đường lăn được cấp phép, $\mathcal{H}$ là tập hợp các điểm chờ tiềm ẩn trên lộ trình.

                    [Dữ liệu Giám sát Quỹ đạo (ADS-B)]
                   [Phân tách Vận tốc & Tọa độ GPS]
        [Trạng thái Di chuyển]             [Trạng thái Dừng chờ]
          (v >= 0.5 m/s)                     (v < 0.5 m/s & t > 10s)
        [T_unimpeded = Σ L_e/v_e]           [T_holding = Σ t_hold]
                   [Tổng Thời gian EXOT = T_un + T_hold]

Testing và validation

Hiệu năng dự báo của mô hình được đánh giá qua 3 chỉ số thống kê tiêu chuẩn:

1. Root Mean Squared Error (RMSE): $$\text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2}$$
2. Mean Absolute Error (MAE): $$\text{MAE} = \frac{1}{N} \sum_{i=1}^N |y_i - \hat{y}_i|$$
3. Mean Absolute Percentage Error (MAPE): $$\text{MAPE} = \frac{1}{N} \sum_{i=1}^N \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100%$$

Thử nghiệm đối soát trên các phân đoạn đường lăn chính tại CHKQT Tân Sơn Nhất cho kết quả cụ thể:

Phân đoạn đường lăn	Chiều dài ($m$)	Vận tốc TB thực tế ($m/s$)	Thời gian thực tế ($s$)	Thời gian GNN dự báo ($s$)	Sai số tuyệt đối ($s$)
V2	420	5.83	72.0	70.4	1.6
S5B	150	4.16	36.0	37.2	1.2
S5A	180	4.73	38.0	36.8	1.2
S53	210	5.25	40.0	41.5	1.5
S3	530	6.62	80.0	78.1	1.9
S31	190	4.52	42.0	40.8	1.2
S1	310	5.00	62.0	63.3	1.3
Tổng Unimpeded	2,190	5.92	370.0	368.1	1.9

Đối với thời gian dừng chờ (Holding Time) trong khung giờ cao điểm từ 08h00 – 09h00 (trung bình 22 chuyến bay khảo sát):

• Thời gian dừng chờ trung bình thực tế: $385.4\text{ s}$ ($\sim 6.42\text{ phút}$).
• Thời gian dừng chờ tính toán từ mô hình GNN: $358.2\text{ s}$ ($\sim 5.97\text{ phút}$).
• Độ chính xác dự báo thời gian dừng chờ đạt 92.94%.

Kết quả đạt được

So sánh Sai số Dự báo (MAE) giữa các Mô hình

1. Độ chính xác vượt trội: Mô hình GNN đạt sai số tuyệt đối trung bình (MAE) tổng thể cho toàn bộ chu trình lăn ra là 54.2 giây ($< 1\text{ phút}$), đáp ứng chặt chẽ ngưỡng sai số mục tiêu $\pm 2\text{ phút}$ theo khuyến nghị của ICAO và Eurocontrol cho hệ thống A-CDM.
2. Khả năng dự báo điểm nghẽn: Mô hình phát hiện chính xác 88.5% các xung đột tiềm ẩn tại nút giao cắt giữa đường lăn S3 và đường lăn thoát nhanh của đường CHC 25R.
3. Hiệu quả tích hợp: Đồng bộ thành công dữ liệu dự báo vào các mốc thời gian A-CDM: Tối ưu hóa Target Off-Block Time (TOBT), Target Start-up Approval Time (TSAT) và Target Take-Off Time (TTOT), giảm độ trôi lệch giữa giờ cấp phép nổ máy và giờ cất cánh thực tế.

---

Đổi mới và đóng góp

• Mô hình hóa dữ liệu dạng đồ thị không gian động: Khác với các nghiên cứu trước đây tại Việt Nam vốn chỉ xem thời gian lăn là một hằng số cố định theo từng bến đỗ, đề tài đã cấu trúc hóa toàn diện sơ đồ sân bay Tân Sơn Nhất thành một mạng lưới đồ thị tri thức (Knowledge Graph) có khả năng cập nhật trạng thái cạnh theo thời gian thực.
• Phân tách động học di chuyển và thời gian nghẽn: Đồ án phân tách rõ ràng giữa động học di chuyển tự nhiên của tàu bay ($T_{\text{unimpeded}}$) và thời gian trễ do hàng đợi ($T_{\text{holding}}$) dựa trên ngưỡng vận tốc $0.5\text{ m/s}$, giúp nâng cao tính giải thích được (Explainability) của mạng học sâu.
• Tiết kiệm nhiên liệu và giảm phát thải: Việc tính toán chính xác EXOT cho phép trì hoãn việc nổ máy tại bến đỗ (Engine Start-up) thay vì để tàu bay nổ máy chờ đợi trên đường lăn. Với mức tiêu hao nhiên liệu trung bình của máy bay phản lực thương mại khi chạy không tải (Idle Taxiing) khoảng $10 - 15\text{ kg/phút/động cơ}$, việc giảm $3.5\text{ phút}$ chờ đợi trên đường lăn giúp mỗi chuyến bay tiết kiệm ước tính $70 - 105\text{ kg}$ nhiên liệu Jet-A1.

---

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Trong quy trình khai thác thực tế tại Trung tâm Điều hành Sân bay (AOCC) và Đài Kiểm soát tại sân (TWR Tân Sơn Nhất):

1. Trước khởi hành 20 phút (Mốc A-CDM 8): Hãng hàng không cập nhật TOBT. Mô hình GNN tự động quét đồ thị sân bay, phân tích mật độ lăn dự kiến tại thời điểm đó và sinh ra giá trị EXOT chính xác.
2. Trước khởi hành 15 phút (Mốc A-CDM 10): Kiểm soát viên không lưu (ATC) sử dụng EXOT từ GNN để phê duyệt TSAT, đảm bảo khi tàu bay nổ máy và rút chèn (AOBT), lộ trình lăn ra đường CHC 25L thông suốt, không bị tắc tại các điểm giao S5A/S3.

+-----------------------------------------------------------------------+
|                 LỘ TRÌNH TRIỂN KHAI HỆ THỐNG GNN                      |
+------------------------------------+----------------------------------+
| Giai đoạn 1: Chuẩn hóa Dữ liệu     | - Thu thập dữ liệu ADS-B & A-SMGCS|
| (Tháng 1 - 3)                      | - Khởi tạo Graph Database        |
+------------------------------------+----------------------------------+
| Giai đoạn 2: Huấn luyện & Đánh giá | - Huấn luyện mô hình ST-GNN      |
| (Tháng 4 - 6)                      | - Đạt benchmark MAE < 60s        |
+------------------------------------+----------------------------------+
| Giai đoạn 3: Tích hợp Thử nghiệm   | - Kết nối hệ thống A-CDM / ACISP  |
| (Tháng 7 - 9)                      | - Shadow mode testing tại TWR    |
+------------------------------------+----------------------------------+
| Giai đoạn 4: Vận hành Chính thức   | - Triển khai thực tế tại SGN     |
| (Tháng 10 - 12)                    | - Mở rộng cho HAN và DAD         |
+------------------------------------+----------------------------------+

Yêu cầu triển khai hạ tầng

• Hạ tầng máy chủ: 01 Server GPU chuyên dụng (NVIDIA RTX A5000 hoặc Tesla V100 32GB), 64GB RAM, phục vụ suy luận thời gian thực (Inference latency $< 200\text{ ms}$).
• Nguồn cấp dữ liệu: Giao tiếp trực tiếp qua giao thức TCP/IP hoặc WebSocket nhận dữ liệu giám sát mặt đất (A-SMGCS/MLAT) và radar giám sát mặt sân (SMR).

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

1. Dữ liệu phụ thuộc bên ngoài: Việc thu thập dữ liệu trong đồ án chủ yếu dựa trên tín hiệu ADS-B công khai qua Flightradar24, chưa tích hợp được dữ liệu radar giám sát mặt sân độ phân giải cao (SMR - Surface Movement Radar) từ hệ thống A-SMGCS nội bộ của Tổng công ty Quản lý bay Việt Nam (VATM).
2. Yếu tố thời tiết khắc nghiệt: Mô hình hiện tại chưa bao gồm các trọng số suy giảm do điều kiện tầm nhìn kém (CAT II/III) hoặc mặt đường lăn ướt làm giảm vận tốc lăn an toàn.

Hướng nghiên cứu tiếp theo

• Tích hợp Dynamic Graph Attention (GAT): Nâng cấp mô hình từ ST-GCN lên Graph Attention Network kết hợp Transformer để tự động gán trọng số ưu tiên cho các nút giao cắt có độ rủi ro va chạm cao.
• Mở rộng phạm vi toàn quốc: Áp dụng mô hình cho Cảng HKQT Nội Bài (HAN) và Cảng HKQT Đà Nẵng (DAD), tiến tới tích hợp toàn diện vào Nền tảng chia sẻ thông tin A-CDM quốc gia (ACISP).

---

Đối tượng hưởng lợi

• Sinh viên & Học viên Hàng không: Cung cấp tài liệu tham khảo chuyên sâu, tích hợp giữa nghiệp vụ quản lý bay (Air Traffic Management - ATM) và công nghệ Trí tuệ nhân tạo (AI/Machine Learning).
• Kiểm soát viên Không lưu (ATCOs): Giảm tải áp lực tính toán thứ tự khởi hành thủ công, nâng cao năng lực điều hòa luồng tàu bay bề mặt an toàn.
• Các Hãng hàng không (AOCs): Giảm chi phí tiêu hao nhiên liệu mặt đất từ 3–5%, nâng cao chỉ số đúng giờ (On-Time Performance - OTP).
• Nhà khai thác Cảng (ACV / SGN): Tối ưu hóa công suất khai thác đường cất hạ cánh, nâng cao năng lực tiếp thu của sân bay mà không cần mở rộng hạ tầng vật lý ngay lập tức.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai mô hình GNN này là gì?

Hệ thống yêu cầu máy chủ chạy hệ điều hành Ubuntu Linux 20.04/22.04 LTS, tối thiểu 32GB RAM, 01 GPU hỗ trợ CUDA với VRAM tối thiểu 16GB. Môi trường phần mềm bao gồm Python 3.9+, thư viện PyTorch 2.0+, PyTorch Geometric (PyG), NetworkX và hệ quản trị cơ sở dữ liệu đồ thị Neo4j để lưu trữ tô-pô sân bay.

2. Mô hình xử lý thế nào khi có sự cố đóng đột xuất một đường lăn?

Nhờ biểu diễn dưới dạng đồ thị $G=(V, E)$, khi một đường lăn bị đóng do bảo trì hoặc sự cố kỹ thuật, hệ thống chỉ cần cập nhật trọng số của cạnh tương ứng thành vô cùng ($w_{ij} = \infty$) hoặc loại bỏ cạnh khỏi ma trận kề $A$. Mô hình GNN sẽ tự động tính toán lại lộ trình và thời gian lăn tối ưu trên đồ thị mới mà không cần huấn luyện lại từ đầu.

3. Mô hình GNN liên kết với các mốc thời gian của hệ thống A-CDM như thế nào?

Mô hình cung cấp giá trị thời gian lăn biến đổi (Variable Taxi Time - VTT), trực tiếp xác định thời gian lăn ra ước tính (EXOT) tại Mốc 8 và Mốc 9 của A-CDM. Từ đó, hệ thống tính toán chính xác Thời gian dự tính nổ máy (TSAT = TOBT + EXOT offset) và Thời gian cất cánh mục tiêu (TTOT = TOBT + EXOT), giúp luồng khởi hành diễn ra liên tục.

4. Chi phí vận hành và bảo trì mô hình định kỳ gồm những gì?

Chi phí chính bao gồm: duy trì hạ tầng máy chủ GPU (khoảng 500 – 1.000 USD/tháng trên cloud hoặc đầu tư on-premise một lần khoảng 10.000 USD), chi phí đường truyền tích hợp dữ liệu A-SMGCS, và định kỳ 3 tháng tái huấn luyện (Re-training) mô hình với dữ liệu khai thác mới để thích ứng với sự thay đổi theo mùa của lịch bay.

5. Tại sao GNN lại vượt trội hơn các mô hình học máy truyền thống như Random Forest hay XGBoost trong bài toán này?

Random Forest và XGBoost yêu cầu chuyển đổi dữ liệu về dạng bảng phẳng (Tabular format), làm mất đi mối liên kết không gian phi tuyến và cấu trúc kết nối hình học giữa các phân đoạn đường lăn. GNN bảo toàn nguyên vẹn tính chất tô-pô của đồ thị sân bay và cho phép thông tin lan truyền trực tiếp giữa các nút láng giềng, phản ánh chính xác hiệu ứng dây chuyền khi xảy ra ùn tắc giao thông mặt đất.

---

Kết luận

Đồ án nghiên cứu "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" đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng công nghệ học sâu trên cấu trúc đồ thị vào bài toán tối ưu hóa vận hành hàng không. Với sai số dự báo MAE đạt dưới 60 giây và độ chính xác dự báo thời gian dừng chờ đạt 92.94%, giải pháp không chỉ giải quyết triệt để bài toán nghẽn cổ chai trên đường lăn Tân Sơn Nhất mà còn tạo tiền đề kỹ thuật quan trọng cho lộ trình triển khai toàn diện hệ thống A-CDM tại Việt Nam. Đây là bước đột phá kết hợp giữa khoa học dữ liệu và quản lý hoạt động bay, hướng tới một nền hàng không an toàn, thông minh và bền vững.

Trích đoạn nội dung tài liệu

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 nghĩa trong 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 tính toán 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 phù hợp mô hình Graph Neural Network trong việc dự đoán thời gian lăn bánh của tàu bay tại 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 áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất (kết quả, kiểm định, những khó khăn trong quá trình nghiên cứu, đề xuất hướng phát triển…) Chương 5: Tổng kết 2 CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN 1.1 Giới thiệu tổng quan về đề tài 1.1 Lý do chọn đề tài  Hiện nay, quá trình hoạt động của tàu bay còn gặp nhiều khó khăn bao gồm trên không và trên mặt đất.

Đặc biệt là giai đoạn tàu bay lăn bánh ra đường CHC để cất cánh. Trong điều kiện hoạt động bình thường hoặc mật độ tàu bay ít, dường như việc dừng chờ trên đường lăn hay ở vị trí dừng chờ trước khi lên đường CHC sẽ không xảy ra. Đồng nghĩa, thời gian lăn trên đường lăn là ngắn nhất và tần suất cất cánh diễn ra nhịp nhàng. Tuy nhiên, đối với các sân bay quốc tế, với mật độ tàu bay cao, việc tàu bay dừng chờ hàng dài trên đường lăn trước khi lên đường 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 – sân bay phải chịu nhiều áp lực không chỉ đến từ công suất khai thác bị giới hạn của cảng 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 để xác 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 Nhất nhằm giảm thiểu được tối đa tình trạng tắc nghẽn vào các giai đoạn cao điểm tại đây.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 trì trệ, đặc biệt vào những giờ “cao điểm”. Từ thực trạng đó, nhóm nghiên cứu nhận thấy cần phải tìm hiểu và đưa ra những phương pháp, cách thức để giải quyết vấn 3 đề này. Từ đó, đặt ra những bước tiến nhằm đẩy nhanh và phát huy những mô hình mới mẻ, hiệu quả để khắc phục những hạn chế nêu trên, góp phần vào quy trình vận hành không ngừng nghỉ của ngành hàng không Việt Nam nói chung và công tác điều hành bay nói riêng.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 lăn bánh của tàu bay và cách thức tối ưu hóa nó thông qua việc áp dụng mô hình Graph Neural Network.4 Phương pháp nghiên cứu  Dựa vào đề tài đã chọn, nhóm nghiên cứu đã thực hiện triển khai nội dung thông qua 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 mô hình 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 Tân Sơn Nhất. Những thông tin này được thu thập trên cơ sở quan sát qua ứng dụng Flightradar24, Google Earth và nghiên cứu các văn bản tài liệu khoa học chính thống;  Mô phỏng áp dụng mô hình để tối ưu hóa thời gian lăn bánh tại CHKQT Tân Sơn Nhất.  Kiểm định lại kết quả nghiên cứu.5 Ý nghĩa của đề tài nghiên cứu  Nhóm nghiên cứu mong muốn áp dụng mô hình GNN vào việc tính toán thời gian tàu bay lăn bánh khởi hành tại CHKQT Tân Sơn Nhất. Với mục đích cho thấy tính hiệu quả của mô hình GNN và giúp CHKQT Tân Sơn Nhất giải quyết được tình trạng tắc nghẽn kéo dài trên đường lăn.

Đồng thời, đặt ra kỳ vọng sẽ có nhiều cải tiến hơn trong công nghệ trong việc khắc phục những yếu tố ảnh hưởng đến hoạt động bay nói chung và thời gian tàu bay lăn bánh nói riêng. Từ đó, góp phần giúp cho công tác điều hành bay an toàn – điều hòa – hiệu quả.2 Tổng quan Thời gian tàu bay lăn bánh 1.1 Đường lăn  Hoạt động trong ngành hàng không bao gồm hoạt động trên không và hoạt động trên mặt đất. Cả hai giai đoạn đều được phối hợp nhịp nhàng và hỗ trợ cho nhau góp phần hình thành một nền hàng không an toàn và bền vững. Hơn hết, quá trình hoạt động trên mặt đất được diễn ra sôi nổi, nhộn nhịp và gồm nhiều giai đoạn chuẩn bị cho bắt đầu khởi hành cất cánh.

Trong đó, hoạt động trên đường lăn là một “mắt xích” quan trọng, đóng vai trò như “cầu nối” các giai đoạn với nhau.  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. 5 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 độ cao. 6 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 lượng đường lăn vào và ra.

Khi mật độ giao thông lớn có thể nghiên cứu xây dựng đường lăn thoát nhanh.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 lượng các chuyển động của các đối tượng có tính lặp lại và thường có một thời điểm làm mốc gắn với một sự. [1] 7  Như vậy, thời gian tàu bay lăn diễn tả trạng thái tàu bay đang di chuyển trong một khoảng thời gian nhất định, tính từ vị trí sân đỗ ra đến đường CHC và ngược lại.3 Thời gian lăn tối ưu  Thời gian lăn tối ưu là khi đó tàu bay lăn trong một khoảng thời gian sao cho ngắn nhất, tạo điều kiện thuận lợi cho các hoạt động tiếp theo được diễn ra liên tục và hiệu quả nhất.  Vì vậy, các nhà khai thác hàng không như các hãng hàng không, cảng hàng không và nhà cung cấp dịch vụ bảo đảm hoạt động bay cùng nhau phối hợp, tính toán và ra quyết định để tàu bay lăn ra đường CHC trong thời gian nhanh nhất nhưng vẫn đảm bảo an toàn, điều hòa và hiệu quả.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 đóng chèn và thời gian cất cánh.

Thời gian dự kiến lăn ra, lăn vào (EXIT/EXOT) được xác 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, nhanh chóng 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 một phần 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 cạnh những mặt tích cực thì vẫn song song tồn tại và phát sinh thêm một số khó khăn như: gây tắc nghẽn, chậm chuyến, trễ chuyến, thay đổi giờ bay của các hãng 8 hàng không tại các cảng hàng không sân bay.

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