機械学習を用いた管制負荷量の分類精度向上に関する研究

抄録

航空管制における安全確保とリスク管理のために，管制負荷を推定することは重要であるが，航空交通量の増大と複雑化に伴い，管制業務もより複雑・高度化している．日本では，管制官の業務量を推定する方法として，航空管制業務に基づくMMBB（Modified-Messerschmidt, Bölkow und Blohm）法が用いられている．しかし，この方法はセクタ構造が変化した場合や，セクタがいくつかに分割された場合に負荷量の推定が困難となる．これはセクタ構造が変化した時にMMBB法で用いるパラメータに変化が生じ，このパラメータ設定に過去の交通流の統計量を用いるためである．この問題を解決するため，本論文では機械学習を用いたアプローチに着目し，これによる負荷量推定により解決を目指す．具体的に，Long-Short Term Memory（LSTM）を用いた時系列性を考慮した推定法を提案する．提案手法を過去の負荷量の高い1カ月間において分類精度の比較実験を行ったところ，機械学習における従来手法で適用された順伝播型ニューラルネットワーク法に比べて，分類精度が向上することが明らかになった．