BÁO CÁO ĐỒ ÁN MÔN HỌC

HỌC VIỆN HÀNG KHÔNG VIỆT NAM
KHOA KHAI THÁC HÀNG KHÔNG

¾¾¾¾¾¾¾¾¾¾¾¾¾
BÁO CÁO ĐỒ ÁN MÔN HỌC

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
Giảng viên hướng dẫn: Sinh viên (hoặc nhóm sinh viên) thực hiện:
Th.S Hồ Thị Vũ Hiền NGUYỄN THỊ MINH NGỌC –
2056060025
TRƯƠNG HOÀNG PHÚC – 2056060036
HỒ NHẬT BÌNH – 2056060033
NGUYỄN QUANG NGUYÊN – 2056060031
NGUYỄN THỊ LAN ANH – 2056060012
NGUYỄN YẾN VY – 2056060044
HOÀNG VĂN LÂN - 205060038
CHHOUR SAKAL – 20560600xx
TP. Hồ Chí Minh, tháng 07 năm 2023
HỌC VIỆN HÀNG KHÔNG VIỆT NAM
KHOA KHAI THÁC HÀNG KHÔNG
¾¾¾¾¾¾¾¾¾¾¾¾¾
BÁO CÁO ĐỒ ÁN MÔN HỌC

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
Giảng viên hướng dẫn: Sinh viên (hoặc nhóm sinh viên) thực hiện:
Th.S Hồ Thị Vũ Hiền NGUYỄN THỊ MINH NGỌC –
2056060025
TRƯƠNG HOÀNG PHÚC -
2056060036
HỒ NHẬT BÌNH – 2056060033
NGUYỄN QUANG NGUYÊN – 2056060031
NGUYỄN THỊ LAN ANH – 2056060012
NGUYỄN YẾN VY – 2056060044
HOÀNG VĂN LÂN - 2056060038
CHHOUR SAKAL – 20560600xx
TP. Hồ Chí Minh, tháng 07 năm 2023
LỜI CẢM ƠN
¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾
Chúng em xin chân thành cảm ơn cô Hồ Thị Vũ Hiền đã dẫn dắt chúng em trong
học phần Đồ án môn học 02. Chúng em đã nhận được sự quan tâm giúp đỡ tận tình,
tâm huyết của cô. Cô đã tháo gỡ được những khó khăn, khúc mắc của chúng em trong
quá trình học tập cũng như nghiên cứu đề tài đồ án; đồng thời giúp chúng em tích lũy
thêm nhiều kiến thức để có cái nhìn sâu sắc và toàn diện hơn về các khía cạnh khác
nhau của ngành hàng không. Thông qua bài tiểu luận này, chúng em xin trình bày
những gì mình đã tìm hiểu về đề tài “Tiềm năng áp dụng mô hình Graph Neural
Network trong việc tối ưu hóa thời gian lăn bánh tại cảng hàng không quốc tế
Tân Sơn Nhất”.
Chúng em xin chân thành cảm ơn sự hỗ trợ thông tin, kiến thức từ sách vở, các
trang báo điện tử và các trang mạng xã hội đã giúp chúng em có thể hoàn thành nội
dung bài báo cáo một cách trọn vẹn.
Mặc dù chúng em có cố gắng và nỗ lực cập nhật thông tin chính xác khi thực hiện
đề tài, song kiến thức luôn đổi mới và có những chuyển biến nhanh chóng. Vì vậy, bài
báo cáo có thể có những hạn chế, thiếu sót nhất định. Nhóm sinh viên thực hiện chúng
em rất mong nhận được sự đóng góp ý kiến cũng như sự chỉ dẫn của cô để bài báo cáo
này ngày càng hoàn thiện.
i
LỜI CAM ĐOAN
¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾
Chúng em xin cam đoan đây là công trình nghiên cứu khoa học độc lập với sự nỗ
lực và cố gắng không ngừng của mỗi thành viên thực hiện.
Những thông số và hình ảnh trong bài báo cáo được chúng em tìm kiếm đều có
nguồn gốc rõ ràng.
Bài báo cáo của chúng em được xây dựng dựa trên ba tiêu chí: Trung thực, khách
quan, không bịa đặt. Nếu phát hiện có bất kỳ sự gian lận nào chúng em xin hoàn toàn
chịu trách nhiệm về nội dung bài báo cáo này.
Nhóm trưởng
(ký và ghi họ tên)
Ngọc
Nguyễn Thị Minh Ngọc
ii
PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN
¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾
STT Họ và tên Phân công nhiệm vụ
- Đóng góp ý tưởng xây dựng bố cục.
- Tìm kiếm, xây dựng phát triển và hoàn thành nội dung
Chương 2 mục 2.1.2, mục 2.2.1, mục 2.2.2, mục 2.2.3,
hoàn thành nội dung Chương 4 mục 4.1.2, mục 4.4, mục
Nguyễn Thị Minh 4.6.
1 Ngọc
- Phân chia nhiệm vụ các thành viên.
(Trưởng nhóm)
- Tổng hợp và hoàn thiện toàn bộ file Word.
- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.
- Thu thập dữ liệu khảo sát và xử lý số liệu Chương 04

mục 4.4.
Chương 3 mục 3.1.4 và Chương 4 mục 4.1.1, mục 4.1.2
2 Hồ Nhật Bình - Tổng hợp và chỉnh sửa phần viết tắt.
- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1, mục

4.4.2.
iii
- Tìm kiếm, xây dựng phát triển và hoàn thành các nội
Nguyễn Quang dung Chương 3 mục 3.1 và Chương 4 mục 4.2.
3
Nguyên - Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.
- Thu thập dữ liệu khảo sát Chương 4 mục 4.4.1, mục

4.4.2.
Chương 1 mục 1.2.4.
4 Hoàng Văn Lân
- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và

4.4.2.
Chương 1 mục 1.1 và 1.2.
5 Trương Hoàng Phúc - Hoàn thành nội dung phần Mở đầu.

4.4.2
iv
dung trong Chương 5.
6 Chhour Sakal
4.4.2.
dung trong Chương 3 mục 3.2 và Chương 4 mục 4.1.3,
Nguyễn Thị Lan
7 mục 4.2, mục 4.3.
Anh
- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và xử

lý số liệu mục 4.4.2.
dung trong Chương 2 mục 2.1.1, mục 2.2.1, mục 2.2.2
và Chương 4 mục 4.5.
8 Nguyễn Yến Vy
- Hoàn thành nội dùng phần Kết luận.
- Cùng đóng góp, chỉnh sửa hoàn chỉnh tiểu luận.

4.4.2
Nhóm trưởng
Ngọc
Nguyễn Thị Minh Ngọc
v
NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN
¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾¾
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
………………………………………………………………………...
Ngày …. tháng …. năm ….
Giảng viên hướng dẫn
(ký và ghi họ tên)
vi
MỤC LỤC
LỜI CẢM ƠN..................................................................................................................i
LỜI CAM ĐOAN............................................................................................................ii
PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN......................................................iii
NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN........................................................vi
DANH MỤC BẢNG BIỂU.............................................................................................x
DANH MỤC HÌNH ẢNH..............................................................................................xi
KÝ HIỆU VIẾT TẮT...................................................................................................xiv
MỞ ĐẦU.........................................................................................................................1
CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN...................................................................3
1.1 Giới thiệu tổng quan về đề tài...............................................................................3
1.1.1 Lý do chọn đề tài............................................................................................3
1.1.2 Tính cấp thiết của đề tài nghiên cứu...............................................................3
1.1.3 Phạm vi và đối tượng nghiên cứu...................................................................4
1.1.4 Phương pháp nghiên cứu................................................................................4
1.1.5 Ý nghĩa của đề tài nghiên cứu........................................................................5
1.2 Tổng quan Thời gian tàu bay lăn bánh..................................................................5
1.2.1 Đường lăn.......................................................................................................5
1.2.2 Thời gian lăn..................................................................................................7
1.2.3 Thời gian lăn tối ưu........................................................................................8
1.2.4 Ý nghĩa của thời gian lăn trong quá trình khai thác.......................................8
CHƯƠNG 02: CƠ SỞ NGHIÊN CỨU VỀ CÁC MÔ HÌNH TỐI ƯU HÓA THỜI

GIAN LĂN BÁNH CỦA TÀU BAY...........................................................................14
2.1 Các nghiên cứu mô hình dự báo thời gian của hệ thống A-CDM.......................14
vii
2.1.1 Nghiên cứu về mô hình Graph Neural Network trong việc tính toán thời
gian lăn bánh tại sân bay Atlanta..........................................................................14
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.................24
2.2 Đánh giá hai mô hình nghiên cứu thời gian lăn bánh..........................................33
2.2.1 Nguyên lý cốt lõi của 2 mô hình nghiên cứu...............................................33
2.2.2 Các yếu tố đánh giá mô hình........................................................................34
2.2.3 Đánh giá lựa chọn mô hình..........................................................................36
CHƯƠNG 03: MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU

HÓA THỜI GIAN LĂN BÁNH CỦA TÀU BAY.......................................................38
3.1 Mô hình Graph Neural Network.........................................................................38
3.1.1 Tổng quan về mô hình Graph Neural Network............................................38
3.1.2 Đặc tính của mô hình Graph Neural Networks............................................39
3.1.3 Ứng dụng mô hình Graph Neutral Network đưa ra dự đoán thời gian lăn
bánh của tàu bay....................................................................................................42
3.1.4 Các trang thiết bị yêu cầu khi triển khai mô hình GNN...............................49
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........................................56
3.2.1. Thực trạng tắc nghẽn tại Cảng HKQT Tân Sơn Nhất.................................56
3.2.2 Đánh giá tính phù hợp của mô hình GNN trong việc tối ưu hóa thời gian lăn
bánh.......................................................................................................................61
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........................................................................65
4.1 Mô hình giả định áp dụng GNN trong việc tối ưu hóa thời gian lăn bánh của tàu
bay.............................................................................................................................65
viii
4.1.1 Phạm vi và đối tượng áp dụng......................................................................65
4.1.2 Các yếu tố ảnh hưởng...................................................................................66
4.1.3 Áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất.....................................69
4.2 Bài toán áp dụng nghiên cứu GNN tại CHKQT Tân Sơn Nhất..........................81
4.2.1 Các giả thuyết của bài toán..........................................................................81
4.2.2 Bài toán thực tế áp dụng mô hình GNN.......................................................82
4.3 Kết quả nghiên cứu..............................................................................................87
4.4 Kiểm định mô hình..............................................................................................89
4.4.1 Thời gian lăn trung bình trên các đoạn đường lăn.......................................89
4.4.2 Thời gian dừng chờ trung bình.....................................................................96
4.4.3 Đánh giá chung.............................................................................................99
4.5 Đề xuất hướng phát triển.....................................................................................99
4.6 Tiểu kết chương.................................................................................................100
4.6.1 Tổng kết đánh giá.......................................................................................100
4.6.2 Những khó khăn còn tồn tại.......................................................................101
CHƯƠNG 05: TỔNG KẾT.........................................................................................103
KẾT LUẬN.................................................................................................................105
DANH MỤC TÀI LIỆU THAM KHẢO....................................................................107
ix
DANH MỤC BẢNG BIỂU
Bảng 1 Cấu hình hiện tại của sân bay Quốc tế John F. Kenedy [14]............................26
Bảng 2 So sánh lượng nhiên liệu tiêu hao khi di chuyển tại các đường lăn được tối ưu
hóa và đường lăn có điểm chờ [26]...............................................................................63
Biểu đồ 1 Thời gian lăn bánh trung bình trong từng khung giờ từ 06h00 – 22h00......66
Bảng 3 Thông số chiều dài đường lăn cho giai đoạn khởi hành tại HKQT Tân Sơn
Nhất...............................................................................................................................76
Biểu đồ 2 Vận tốc trung bình của 22 chuyến bay trong khung giờ từ 08h00 – 09h00 tại
CHKQT Tân Sơn Nhất..................................................................................................77
Bảng 4 Thời gian lăn tối ưu của tàu bay trên từng đoạn đường lăn tại CHKQT Tân Sơn
Nhất...............................................................................................................................78
Biểu đồ 3 Thời gian lăn trung bình của tàu bay trên đoạn đường V2...........................91
Biểu đồ 4 Thời gian lăn trung bình của tàu bay trên đoạn S5B....................................92
Biểu đồ 5 Thời gian lăn trung bình của tàu bay trên đoạn S5A....................................92
Biểu đồ 6 Thời gian lăn bánh trung bình của tàu bay trên đoạn S53............................93
Biểu đồ 7 Thời gian lăn bánh trung bình của tài bay trên đoạn S3...............................94
Biểu đồ 8 Thời gian lăn trung bình của tàu bay trên đoạn S31.....................................95
Biểu đồ 9 Thời gian lăn trung bình trên đoạn S1..........................................................95
Bảng 5 Giá trị trung bình về khả năng dự đoán thời gian lăn bánh của mô hình..........96
Biểu đồ 10 So sánh thời gian chờ thực tế và thời gian chờ tính toán dựa trên mô hình
trong khung giờ từ 08h00 – 09h00 tại CHKQT Tân Sơn Nhất.....................................97
Bảng 6 Giá trị phần trăm chính xác của thời gian chờ dự tính theo mô hình...............98
x
DANH MỤC HÌNH ẢNH
Hình 1 Đường lăn vào vị trí đỗ máy bay – Vệt lăn (Aircraft stand taxilane) [7]............6
Hình 2 Đường lăn trên sân đỗ máy bay (Apron taxiway) [7].........................................6
Hình 3 Đường lăn thoát nhanh (Rapid exit taxiway) [7].................................................7
Hình 4 Sự phối hợp hoạt động của các đơn vị liên quan [4]...........................................9
Hình 5 Quá trình chia sẻ thông tin trong các giai đoạn của mô hình A-CDM [4]........11
Hình 6 Mô tả 5 giai đoạn và 16 mốc thời gian cần chia sẻ [4]......................................11
Hình 7 Thời gian lăn – Variable Taxi Times (VTT) [4]...............................................12
Hình 8 Minh họa mô hình GNN [7]..............................................................................15
Hình 9 Sơ đồ đường lăn sân đỗ của sân bay Atlanta [8]...............................................16
Hinh 10 Mô tả dữ liệu đồ thị [9]...................................................................................17
Hình 11 Sơ đồ thu thập dữ liệu đầu vào [10]................................................................18
Hình 12 Khoanh vùng khu vực lăn tại sân bay Atlanta [10]........................................20
Hình 13 Mô tả dữ liệu được xử lý qua các lớp (layers) dày đặc [10]..........................21
Hình 14 Kiến trúc mô hình GNN [10]..........................................................................22
Hình 15 So sánh kết quả dự thời gian lăn bánh của mô hình GNN với các mô hình
khác [10]........................................................................................................................23
Hình 16 Sơ đồ nhà ga, đường lăn, đường cất/hạ cánh tại sân bay Quốc tế Jonh F.
Kenedy [14]...................................................................................................................25
Hình 17 Ảnh chụp tình hình giao thông phức tạp tại sân bay JFK lúc 19:00 ngày
9/7/2010 [12].................................................................................................................27
Hình 18 Điểm thu thập dữ liệu cho mỗi chuyến bay [12].............................................28
Hình 19 Đường di chuyển của tàu bay so với tâm đường lăn [12]...............................31
xi
Hình 20 Bảng so sánh dữ liệu chuyến bay khởi hành hàng giờ của ASDE – X và
ASPM. [12]...................................................................................................................31
Hình 21 Biểu đồ biểu diễn sự phụ thuộc của biến y vào biến x [15]............................34
Hình 22 Hình ảnh minh hoạ mô hình Graph Neural Networks (GNNs).......................39
Hình 23 Đơn đồ thị biểu diễn mối quan hệ giữa các địa danh......................................40
Hình 24 Đa đồ thị biểu diễn mối quan hệ giữa các địa danh........................................40
Hình 25 Đồ thị có hướng biểu diễn mối quan hệ giữa các địa danh.............................40
Hình 26 Sơ đồ Đồ thị vô hướng....................................................................................42
Hình 27 Sơ đồ đồ thị có hướng.....................................................................................42
Hình 28 Sơ đồ đường CHC, đường lăn và sân đỗ được tính hợp với các dữ liệu để tạo
thành đồ thị dữ liệu tại sân bay......................................................................................47
Hình 29 Sơ đồ quỹ đạo đường lăn, sân đỗ và đường CHC được mô phỏng dựa theo mô
hình GNN......................................................................................................................48
Hình 30 Ví dụ về tuyến đường theo kế hoạch (tàu bay vẫn ở bến đỗ)..........................50
(Nguồn: EUROCONTROL).........................................................................................50
Hình 31 Ví dụ về một tuyến đường đã được cấp phép và đang chờ xử lý đến điểm
dừng chờ trước ngưỡng đường CHC (Nguồn: EUROCONTROL)..............................51
Hình 32 Mô hình nguyên lý hoạt động của hệ thống ADS – B. [17]............................54
Hình 33 Thông tin tàu bay được hiển thị trên Flightradar24 thông qua tín hiệu ADS-B
(Nguồn: Flightradar24).................................................................................................55
Hình 35 15 chiếc tàu bay phải xếp hàng dài chờ cất cánh ở sân bay Tân Sơn Nhất ghi
nhận vào ngày 19/01/2020 [22].....................................................................................58
Hình 36 Hai đường cất hạ cánh tại Cảng HKQT Tân Sơn Nhất với trục tim cách nhau
365m (Nguồn: AIP Việt Nam) [24]..............................................................................59
xii
Hình 37 Khu vực sân đỗ và đường lăn tại Cảng HKQT Tân Sơn Nhất (Nguồn:
AIP Việt Nam) [24].......................................................................................................60
Hình 38 Sơ đồ đường tại Cảng hàng không Quốc tế Tân Sơn Nhất (Nguồn: AIP Việt
Nam)..............................................................................................................................67
Hình 39 Sơ đồ đường lăn và sân đỗ của CHKQT Tân Sơn Nhất (Nguồn: AIP Việt
Nam)..............................................................................................................................70
Hình 40 Minh họa quy ước các đoạn đường lăn và sân đỗ...........................................71
Hình 41 Các cự ly công bố tại các đường băng của Tân Sơn Nhất...............................72
Hình 42 Thông số kĩ thuật của B747 [1].......................................................................72
Hình 43 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 2 đến điểm chờ cất cánh đường băng
25L................................................................................................................................74
Hình 44 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 1 đến điểm chờ cất cánh đường băng
25L................................................................................................................................75
Hình 45 Mô hình Graph Neural Network thử nghiệm tính toán thời gian lăn bánh tại
CHKQT Tân Sơn Nhất..................................................................................................79
Hình 46 Tàu bay BAV1122 chuẩn bị lăn bánh vào lúc 01:29:00 UTC........................82
Hình 47 Tàu bay BAV1122 đến đầu đường CHC 25L.................................................83
Hình 48 Các tuyến đường lăn của tàu bay BAV1122 từ bến đỗ 2................................84
Hình 49 Thời gian di chuyển trên từng tuyến đường của BAV1122 chưa xem xét tới
yếu tố thời gian chờ.......................................................................................................85
Hình 50 Thời gian di chuyển trên từng tuyến đường của BAV1122 có xem xét tới yếu
tố thời gian chờ..............................................................................................................87
xiii
KÝ HIỆU VIẾT TẮT
STT Ký hiệu chữ viết tắt Ý nghĩa
A-CDM (Airport Collaborative Phối hợp ra quyết định tại Cảng hàng
1
Decision Making) không, sân bay
A-SMGCS (Advanced Surface

Hệ thống kiểm soát và hướng dẫn di
2 Movement Guidance and Control
chuyển trên mặt đất nâng cao
System)
A-VDGS (Advanced-Visual Guidance Hệ thống hướng dẫn cắt nối bằng mắt
3
Docking Systems) nâng cao
4 AAR (Aircraft Arrival Rate) Tỉ lệ tàu bay đến
ACISP (A-CDM information sharing

5 Nền tảng chia sẻ thông tin A-CDM
platform)
6 ADR (Aircraft Departure Rate) Tỉ lệ tàu bay khởi hành
ADS – B (Automatic Dependent Hệ thống giám sát tự động phụ thuộc

7
Surveillance–Broadcast) quảng bá
8 AIBT (Actual In-Block Time) Thời gian đóng chèn thực tế
9 ALDT (Actual Landing Time) Thời gian hạ cánh thực tế
10 AMAN (Arrival Manager) Quản lý tàu bay đến
AO/GH (Aircraft Operator/Ground Nhà khai thác tàu bay bay/Đơn vị phục
11
Handler) vụ mặt đất
12 AOBT (Actual Off-Block Time) Thời gian rút chèn thực tế
ASAT (Actual Start up Approval

13 Thời gian nổ máy thực tế
Time)
14 ASDE - X (Airport Surface Detection Hệ thống phát hiện bề mặt sân bay phiên
xiv
System - Model X) bản X
ASPM (Aviation System Performance

15 Chỉ số hiệu suất hệ thống hàng không
Metrics)
ASQP (Airline Service Quality Hệ thống đánh giá hiệu suất chất lượng
16
Performance System) dịch vụ hàng không
17 ATC (Air traffic controller) Kiểm soát viên không lưu
18 ATM (Air Traffic Management) Quản lý hoạt động bay
19 ATOT (Actual Take Off Time) Thời gian cất cánh thực tế
20 AXIT (Actual Taxi-In Time) Thời gian lăn vào thực tế
21 AXOT (Actual Taxi-Out Time) Thời gian lăn ra thực tế
22 CHC Cất hạ cánh
23 CHKQT Cảng hàng không quốc tế
24 CL (Clearance Limit) Giới hạn huấn lệnh kiểm soát không lưu
25 CTOT (Calculated Take Off Time) Giờ cất cánh theo tính toán
26 CTOT (Calculated Take Off Time) Tính toán thời gian cất cánh
27 DEG (Degree) Bậc của đồ thị
28 DMAN (Departure Manager) Quản lý tàu bay khởi hành
DME (Distance Measuring

29 Thiết bị đo khoảng cách
Equipment)
EFC (Expect Further Clearance) Thời gian được dự cấp huấn lệnh tiếp
30
Time theo
31 EIBT (Estimated In-Block Time) Thời gian dự tính đóng chèn
xv
32 ELDT (Estimated Landing Time) Thời gian dự tính hạ cánh
33 EOBT (Estimated Off-block Time) Giờ dự tính rút chèn
ETMS (Enhance Traffic Management Hệ thống cải thiện quản lý luồng giao
34
System) thông
35 ETOT (Estimated Take Off Time) Thời gian dự kiến cất cánh
36 EXIT (Estimated Taxi-In Time) Thời gian lăn vào ước tính
37 EXOT (Estimated Taxi-Out Time) Thời gian lăn ra ước tính
38 GNN (Graph Neural Network) Đồ thị cấu trúc dữ liệu
39 GPS (Global Positioning System) Hệ thống Định vị Toàn cầu
40 HDP (Holding Point) Điểm chờ
41 HKQT Hàng không quốc tế
ICAO (International Civil Aviation Tổ Chức Hàng Không Dân Dụng Quốc
42
Organization) Tế
43 ILS (Instrument Landing System) Hệ thống hạ cánh bằng thiết bị
44 JFK (John F. Kennedy) Sân bay quốc tế John F. Kennedy
45 KSV Kiểm soát viên
46 KSVKL Kiểm soát viên không lưu
47 MLAT (Multilateration) Hệ thống giám sát đa điểm
48 RWY (Runway) Đường băng
49 SFM (Split Flow Model) Mô hình phân chia luồng giao thông
50 SMR (Surface Movement Radar) Radar giám sát mặt sân
xvi
51 TOBT (Target Off-Block Time) Thời gian dự kiến rút chèn
TODA (Take - Off Distance

52 Cự ly có thể cất cánh
Available)
TSAT (Target Start-up Approval

53 Thời gian dự tính nổ máy
Time)
54 TTOT (Target Take Off Time) Thời gian cất cánh mục tiêu
55 TWR (Tower) Đơn vị kiểm soát tại sân
56 UFM (Uniform Flow Model) Mô hình luồng giao thông đồng nhất
57 VOR (VHF omnidirectional range) Đài dẫn đường đa hướng sóng cực ngắn
xvii
MỞ ĐẦU
Hoạt động hàng không bao gồm hoạt động trên trời và hoạt động trên mặt đất.
Hoạt động trên trời chủ yếu là giai đoạn tàu bay tăng hay giảm độ cao và bay đường
dài. Đặc biệt, hoạt động hàng không trên mặt đất gồm nhiều giai đoạn như tàu bay lăn
vào bến đỗ, lăn ra bến đỗ, lăn ra đường CHC, dừng chờ, tàu bay cất cánh … Có thể
thấy, quá trình tàu bay lăn chiếm phần lớn và kết nối các giai đoạn với nhau. Nếu quá
trình này bị chậm trễ thì kéo theo những quá trình khác cũng gián đoạn. Từ đó, hoạt
động bay chắc chắn sẽ bị ảnh hưởng nghiêm trọng. Ngược lại, nếu thời gian lăn được
tính toán chính xác và ngắn nhất thì quá trình điều hòa tàu bay nhịp nhàng hơn, kiểm
soát viên điều hành cũng giảm thiểu các áp lực. Hơn nữa, thời gian lăn còn có mối liên
hệ với thời gian dự kiến rút chèn và thời gian dự kiến cất cánh trong mô hình A-CDM.
Vì vậy, đây là một yếu tố quan trọng cần được xem xét và tính toán kỷ lưỡng.
Nhiều tổ chức hàng không, nhà chức trách sở tại đã ngồi lại và nghiên cứu nhiều
cách thức, phương pháp hay mô hình tối ưu hóa thời gian lăn bánh của tàu bày. Vì hiện
nay ngành hàng không tăng trưởng với tốc độ rất nhanh, việc tắc nghẽn, chậm chuyến,
thay đổi giờ bay xảy ra thường xuyên tại các cảng hàng không sân bay, đặc biệt là tại
các cảng hàng không quốc tế - nơi mật độ lúc nào cũng đông đúc. Trong đó, mô hình
Graph Neutral Network vượt trội hơn hẳn, đã cung cấp những thuật toán nhằm tính
toán/ dự đoán thời gian lăn bánh của các tàu bay một cách tối ưu nhất. Tuy phải trải
qua nhiều giai đoạn triển khai, đánh giá, nhưng đến thời điểm hiện tại thì mô hình này
được các chuyên gia tin tưởng rằng sẽ giúp cho ngành hàng không tháo gỡ “nút thắt”
về thời gian. Thời gian này được các đơn vị liên quan sử dụng, góp phần mang lại
nhiều lợi ích to lớn, tăng tính hiệu quả mô hình A-CDM và có ý nghĩa tích cực trong
khai thác hàng không. Do đó, bài đồ án này sẽ tập trung vào tính toán thời gian tối ưu
tàu bay lăn bánh trên đường lăn, đặc biệt là tại Cảng hàng không quốc tế Tân Sơn
Nhất.
1
Bài đồ án gồm có 05 chương với các nội dung như sau:
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
1.1.1 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.
1.1.2 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.
1.1.3 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.
1.1.4 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.
4
1.1.5 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.
1.2 Tổng quan Thời gian tàu bay lăn bánh
1.2.1 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.
1.2.2 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.
1.2.3 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.
1.2.4 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.
 Đặc biệt, thời gian lăn của tàu bay là một trong những yếu tố quan trọng góp
phần giúp cho mô hình A-CDM khi áp dụng đạt được hiệu quả cao nhất.
a) Mô hình Phối hợp ra quyết định tại cảng hàng không sân bay - A-CDM
 A-CDM bao gồm các quy tắc và quy trình cho các bên liên quan hoạt động tại
sân bay để chia sẻ thông tin và phối hợp ra quyết định với mục tiêu tối ưu hóa
việc sử dụng nguồn lực tại sân bay. (Theo Thông tư 29/2021/TT-BGTVT) [2]
 A-CDM là mô hình điều phối kết hợp giữa các đơn vị điều hành khai thác tại sân
bay như: Nhà Khai thác cảng (Airport Operators), Nhà khai thác tàu bay
(Aircraft Operators), các Đơn vị phục vụ mặt đất (Ground Handlings), Không
lưu (Air Traffic Control) và Quản lý luồng (Air Traffic Flow Management). [3]
Hình 4 Sự phối hợp hoạt động của các đơn vị liên quan [4]
9
 A-CDM yêu cầu phải có sự phối hợp của tất cả các đơn vị liên quan đến chu trình
khai thác chuyến bay. [5]
 Tóm lại, A-CDM là hệ thống phối hợp ra quyết định tại cảng hàng không, sân bay
(Airport Collaborative Decision Making): Các đơn vị phục vụ khai thác các chuyến
bay tại các cảng hàng không cùng nhau phối hợp, cung cấp và chia sẻ những thông tin
liên quan đến từng giai đoạn của mỗi chuyến bay. Từ đó, ra quyết định tổ chức chuyến
bay với thời gian ngắn nhất.
 Ví dụ: Thời gian tàu bay vào bến đậu đóng chèn, tàu bay rời bến đậu lăn ra
đường CHC, nhận lệnh cất cánh rời sân bay thì các đơn vị thực hiện nhiệm vụ,
phối hợp triển khai nhịp nhàng, chính xác hạn chế việc chậm trễ, tắc nghẽn khi
tàu bay hoạt động tại cảng hàng không. Từ đó, thúc đẩy hoạt động bay được
nhanh hơn, hiệu quả hơn.
 A-CDM cung cấp nền tảng để các đơn vị phối hợp, chia sẻ thông tin, dữ liệu
phục vụ công tác ra quyết định tại cảng hàng không, sân bay. [5]
 Nguyên tắc chung là người dùng có thể truy cập dữ liệu A-CDM thông qua “Nền
tảng chia sẻ thông tin A-CDM” (ACISP = A-CDM information sharing
platform).
 ACISP sẽ là trung tâm trao đổi, tích hợp dữ liệu, thông tin giữa các hệ thống
cũng như giữa các đơn vị để đảm bảo cung cấp một góc nhìn chung, một bức
tranh toàn cảnh nhất về tình hình khai thác đang diễn ra tại cảng hàng không
sân bay.
 Phương tiện truy cập được qua trình duyệt Web, thiết bị di động, thuận lợi cho
việc truy cập từ xa.
 Các đơn vị phục vụ chuyến bay sẽ phối hợp, cập nhật, chia sẻ dữ liệu liên quan
đến chuyến bay tương ứng với các mốc thời gian (5 giai đoạn bao gồm 16 mốc
thời gian).
 Áp dụng thử nghiệm hệ thống A-CDM tại CHKQT Nội Bài và CHKQT Tân Sơn
Nhất giai đoạn 1 từ 26/3/2023 - 30/4/2023. [6]
10
Hình 5 Quá trình chia sẻ thông tin trong các giai đoạn của mô hình A-CDM [4]
b) Mối liên hệ giữa thời gian lăn của tàu bay trong mô hình A-CDM
 Tất cả các thông tin, dữ liệu sẽ được các đơn vị tương liên quan chia sẻ tại 16
mốc thời gian, tương ứng với 5 giai đoạn dưới đây:
Hình 6 Mô tả 5 giai đoạn và 16 mốc thời gian cần chia sẻ [4]
 Trong đó, thời gian lăn bánh là yếu tố quan trọng để đảm bảo tính chính xác khi dự
tính thời gian cất cánh, đặc biệt tại các sân bay có điều kiện khai thác phức tạp.
11
Hình 7 Thời gian lăn – Variable Taxi Times (VTT) [4]
 Thời gian tàu bay lăn bánh khởi hành là yếu tố được sử dụng giúp tính toán thời
gian dự kiến rút chèn TOBT (TOBT – Target Off-Block Time) và thời gian dự
kiến cất cánh (TTOT – Target Take Off Time). Như vậy, nó có mối liên hệ mật
thiết với các mốc thời gian quan trọng của A-CDM cụ thể từ giai đoạn turn -
around đến hết giai đoạn out - bound.
 Mốc 7 – 9: In-Block, bắt đầu phục vụ mặt đất, cập nhật TOBT.
 Thời gian dự kiến rút chèn (TOBT) và thời gian cất cánh mục tiêu (TTOT)
được tính toán dựa trên cơ sở khoảng thời gian turn - around ước tính cho
chuyến bay khởi hành.
 Thời gian rút chèn cuối cùng được cập nhật, đây là thời gian mà đơn vị khai
thác tàu bay hoặc các đơn vị mặt đất cung cấp thời gian rút chèn chính xác bao
gồm tình hình hoạt động. Mục đích cập nhật giá trị TOBT cuối cùng giúp đưa
ra đánh giá kịp thời trong trường hợp bị gián đoạn (nội bộ hoặc bên ngoài) thì
sự khác biệt giữa thời gian rút chèn ước tính (EOBT) và thời gian rút chèn
(TOBT) có thể quan trọng.
 TOBT chính xác = EOBT - t (phút) – là điều kiện tiên quyết để ATC thiết lập
trình tự đẩy lùi trước giờ khởi hành. Hệ thống sẽ tính toán và cung cấp thời
gian lăn ra ước tính (EXOT) dựa trên lưu lượng giao thông bằng cách dự đoán
12
vị trí cổng, điểm dừng/chờ, đường băng sử dụng … chuyến bay được đưa vào
trình tự khởi hành giúp quản lý quá trình Turn - around phù hợp.
 Mốc 10 – 13: Ban hành thời gian dự tính nổ máy (TSAT – Target Start up
Approval Time), boarding, yêu cầu khởi động từ phi công.
 Khi chuyến bay được ổn định vào trình tự trước khi khởi hành. AO/GH phối
hợp phi hành đoàn bắt đầu thời gian Boarding, cổng mở để hành khách bắt đầu
lên máy bay khi đó cung cấp thông tin thời gian rút chèn (TOBT) và thời gian
dự tính nổ máy (TSAT) cho A-CDM đối tác.
 Chuyến bay đã sẵn sàng, thời điểm đóng tất cả các cửa, sẵn sàng lăn bánh khi
nhận được lệnh từ TWR.
 ATC tu chỉnh trình tự trước khi khởi hành. Sau khi phối hợp với đơn vị mặt
đất, phi công có thể yêu cầu khởi động trước thời gian dự tính. ATC xác nhận
TSAT cho phi công để duy trì chuyến bay theo trình tự trước khi khởi hành.
Nếu đã sẵn sàng, ATC sẽ tính toán thời gian cất cánh (CTOT – Calculated
Take Off Time).
 Như vậy, việc tính toán thời gian lăn sẽ phụ thuộc vào thời gian dự tính rút chèn và
ảnh hưởng đến thời gian dự định cất cánh của tàu bay.
13
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
2.1.1.1 Giới thiệu tổng quan về mô hình GNN
 Mạng nơ-ron đồ thị – Graph Neural Network là một khái niệm vô cùng quen
thuộc trong học máy, là một phương pháp học sâu được thiết kế để thực hiện suy
luận, phỏng đoán trên cơ sở dữ liệu được mô tả bằng đồ thị. Những năm gần đây,
dữ liệu đồ thị không phải là hiếm trong các mô hình hệ thống đề xuất, chúng ta
có thể bắt gặp các ứng dụng thực tế trong các lĩnh vực như mô phỏng vật lý, phát
hiện tin giả , hệ thống đề xuất và dự đoán lưu lượng giao thông truy cập,.. GNN
được công nhận là một trong những lĩnh vực nghiên cứu học sâu (Deep learning)
hấp dẫn và ngày càng có nhiều ứng dụng tận dụng GNN để cải thiện hiệu suất
của chủ thể được nghiên cứu vì tính linh hoạt của chúng trong việc mô hình hóa
các mối quan hệ phức tạp, điều mà các mạng thần kinh truyền thống trước đây
không thể làm được.
 Phần lớn các dữ liệu trong hệ thống GNN bao gồm thông tin có quan hệ, phù hợp
với cách biểu diễn đồ thị để thể hiện rõ mối tương quan giữa các thực thể. Ví dụ
điển hình của dữ liệu đồ thị trong đời sống thường ngày là biểu đồ xã hội kết nối
người dùng, trong đó các cạnh đại diện mối quan hệ xã hội giữa người dùng với
nhau. Với cách tiếp cận của mạng lưới nơ-ron này, dữ liệu được biểu diễn một
cách hiệu quả, tận dụng sức mạnh của GNN để biểu diễn mỗi chủ thể trong biểu
đồ và nắm bắt các mối quan hệ phức tạp giữa chúng, cung cấp một cách dễ dàng
để thực hiện các tác vụ dự đoán ở cấp độ từ đơn giản đến phức tạp.
 Với những đặc tính đó, trong khuôn khổ của bài nghiên cứu dưới đây sẽ đi sâu
vào ứng dụng mô hình này để tối ưu hoá hoạt động lăn bánh (Taxi-out) của tàu
14
bay tại những cảng hàng không, sân bay quốc tế với tình hình giao thông bề mặt
phức tạp.
Hình 8 Minh họa mô hình GNN [7]
2.1.1.2 Mô hình nghiên cứu áp dụng GNN vào việc dự đoán thời gian lăn tại sân bay
 Hiện tại, phần lớn các sân bay, thời gian lăn mặc định được giả định cho tất cả
các chuyển động trên sân, nếu không thì một tập hợp thời gian lăn được liên kết
với các cấu hình đường băng cụ thể. Trong khi điều này có thể hợp lý tại các sân
bay nhỏ, thời gian lăn có thể thay đổi đáng kể tại các sân bay vừa và lớn nơi có
nhiều yếu tố bố trí đường lăn, phương thức khai thác, loại tàu bay, đường lăn,
cũng như lưu lượng và điều kiện thời tiết, tất cả đều có thể có tác động đáng kể
đến thời gian lăn thực tế.
 Với bản chất là một mạng nơ-ron với tiềm năng đáng kể trong phức hợp các mối
quan hệ giữa các thực thể, có khả năng trích xuất cao những thông tin tiềm ẩn từ
dữ liệu thô nhập vào ban đầu. Chính vì điều này, GNN là mô hình khá lý tưởng
trong việc thực hiện các nhiệm vụ đưa ra các dự đoán thời gian lăn tàu bay, trong
nghiên cứu dưới đây, mô hình thực nghiệm GNN được triển khai tại Sân bay
15
quốc tế tại thành phố Atlanta, tiểu bang Georgia - Hoa Kỳ. Sân bay gồm 5 đường
băng với tổ hợp các đường lăn phức tạp, việc dự đoán và tính toán biến động thời
gian lăn có thể cung cấp ước tính thời gian lăn chính xác hơn, đem lại hiệu quả
khai thác lớn hơn.
Hình 9 Sơ đồ đường lăn sân đỗ của sân bay Atlanta [8]
2.1.1.3 Phương pháp nghiên cứu
 Nghiên cứu được phân tích dựa trên phương pháp Dữ liệu đồ thị (Graph-based) –
sử dụng cấu trúc đồ thị để biểu diễn thông tin đầu vào của một tập các mục/ đối
tượng, trong đó các cặp đối tượng được kết nối bởi các đường liên kết để thể hiện
mối tương quan. Tức là dữ liệu thô từ các nguồn đầu vào sẽ không thể được nhập
trực tiếp vào máy, thay vào đó, dữ liệu thường được yêu cầu dưới dạng hình thức
cụ thể để máy có thể đọc.
 Hình thức của mô hình GNN có thể đa dạng dưới nhiều thể loại khác nhau, như
dữ liệu văn bản, dữ liệu số hóa, hình ảnh, chuỗi,.. Tuy nhiên, trong nghiên cứu
dưới đây, dữ liệu sẽ chỉ được mô hình hóa dưới dạng biểu đồ, đây cũng chính là
đặc điểm nổi bật trong quy trình xử lý dữ liệu của GNN. Điều này là hợp lý vì dữ
liệu bao gồm các thông tin quan hệ/ liên quan với nhau nên phù hợp với dữ liệu
16
đồ thị - nơi mà các chủ thể chính sẽ được thể hiện dưới dạng mỗi nút (Node), và
mối quan hệ tương quan giữa các đỉnh với nhau biểu thị bằng cạnh (Edge) [7].
G = (V, E)
Vì vậy, một đồ thị G là một cặp các tập hợp (V, E), trong đó
 V: Tập các đỉnh được biểu diễn như mỗi nút tròn xanh tại hình 10.
 E: Tập các cạnh mà kết nối các cặp điểm. biểu diễn bằng một đường nối hai
đỉnh có hướng hoặc không có hướng.
 Với bản chất đó, mỗi loại dữ liệu đầu vào được máy học trình bày cụ thể dưới
dạng đồ thị mạng lưới nhằm nắm bắt, biểu diễn hiệu quả và chính xác các đặc
điểm đặc trưng của dữ liệu thu được. Theo đó dữ liệu đồ thị sẽ được đẩy vào mô
hình để biểu diễn để tương thích và khớp với thực tiễn, đảm bảo sự phù hợp của
chúng để xây dựng các đề xuất, phác thảo phương thức dự đoán dựa trên máy
học.
Hinh 10 Mô tả dữ liệu đồ thị [9]
2.1.1.4 Kiến trúc mô hình GNN tại Atlanta Airport
Để thuận tiện cho việc triển khai hoạt động, mô hình này chỉ bao gồm các đặc điểm/
đặc tính có sẵn từ thông tin lập kế hoạch chiến thuật (Tactical planning information),
nghĩa là dữ liệu đầu vào cho mô hình sẽ được sẵn có từ kế hoạch đã được lên trước đó.
17
 Dữ liệu đầu vào (Pipeline) [10]
 Quy trình xử lí dữ liệu (Data Pipeline) để thực hiện tối ưu hoá thời gian lăn
bánh được chia thành 3 giai đoạn chính được thể hiện dưới đây :
Hình 11 Sơ đồ thu thập dữ liệu đầu vào [10]
 Giai đoạn đầu (màu xám): Trong giai đoạn này, những dữ liệu giám sát
(Surveillance Data) được thu thập bao gồm 2 nguồn [10]:
 Dữ liệu phụ trợ (Auxiliary data): Bao gồm tin tức về thời tiết, khí tượng
(Meteorological Information) tại sân bay, trên đường bay hoặc ở các
không phận mà tàu bay dự định sẽ bay qua, tình trạng bề mặt đường
CHC. Ngoài ra, lúc này, các thông tin khác về sân bay phục vụ cho mục
đích hữu hình hoá đồ thị (Airport Graph Data) cũng sẽ được cung cấp từ
đường truyền trao đổi dữ liệu giữa đơn vị cảng hàng không. Ví dụ như,
thông tin đóng cửa các đường lăn, bến đỗ vì mục đích bảo trì, bảo
dưỡng,...
 Quỹ đạo dự kiến (Trajectory preparation) [10]: Các quỹ đạo dự định cho
tàu bay di chuyển trên mặt đất sẽ được thiết lập trước từ hệ thống kiểm
soát và hướng dẫn di chuyển trên mặt đất nâng cao (A-SMGCS -
18
Advanced Surface Movement Guidance and Control System). Như vậy,
để đi từ một điểm đến một điểm, hệ thống sẽ đưa ra rất nhiều sự lựa chọn
để thực hiện và tính toán thời gian. Khi kiểm soát viên chỉ định một
đường lăn cố định cho tàu, dự đoán quỹ đạo 4D sẽ được thực hiện để loại
bỏ bất cứ tiềm năng xung đột nào giữa tàu lăn với các tàu đang hoạt động
khác, có thể quyết định thời gian tốt hơn để đẩy lùi và giảm thời gian tàu
cần phải dừng chờ. Kết quả là giúp tiết kiệm chi phí, thời gian lăn, và
nhiên liệu tàu bay.
 Giai đoạn 2 (màu xanh dương)
 Giai đoạn này được gọi là Graph fusion – tích hợp vào đồ thị. Các dữ
liệu thu thập ở giai đoạn đầu sau khi mã hoá sẽ được hợp nhất với dữ liệu
biểu đồ sân bay (bãi đỗ, layout đường lăn, đường băng,..) bằng thuật toán
so khớp bản đồ (Map-matching algorithm).
 Các bổ sung thêm về trạng thái di chuyển và hàng đợi trước thềm CHC
của đường băng cũng được cập nhật liên tục theo thời gian thực. Các quỹ
đạo khác nhau sau đó được sử dụng để có được các đặc điểm nổi bật của
luồng di chuyển. Đặc điểm về dòng lưu lượng truy cập là một trong
những biến số chính được xem xét khi ước tính thời gian tàu bay lăn, vì
việc tắc nghẽn được cho là có tác động xấu đến chuyển động bề mặt (Ví
dụ: ảnh hưởng đến tốc độ lăn và dẫn đến hàng chờ dài để cất cánh).
 Phân bổ thời gian chờ trên đường lăn thông qua vận tốc tàu được ghi
nhận (khi vận tốc bằng 0 và khác 0) có thể được phân tách theo nhiều
dạng khác nhau với mục đích phục vụ cho việc nhận dạng ngoại lệ giữa
tàu lăn không bị cản trở và có cản trở, có thể là: Chờ trong khu vực xếp
hàng đợi trước khi cất cánh, chờ cấp lăn sau khi được đẩy lùi, chờ tại
điểm giao đường lăn vì có hoạt động cắt ngang của tàu khác, chờ vì hư
hỏng yếu tố kỹ thuật, hay ngoại cảnh. [11]
 Có cản trở (Impedded taxi-out time): Sự di chuyển tàu bay khác trên
bề mặt sân, máy bay lăn thường phải dừng lại vì các yếu tố ngoại
cảnh, khách quan về hoạt động khai thác tại sân.
19
 Không có cản trở (Unimpedded taxi-out time): Chuyển động lăn
không bị cản trở được coi là chuyển động trong điều kiện hoạt động
tối ưu (khi tắc nghẽn, thời tiết, hoặc các yếu tố trễ khác không đáng
kể).
Hình 12 Khoanh vùng khu vực lăn tại sân bay Atlanta [10]
 Tàu được coi là bị cản trở sẽ có tốc độ lăn dưới 0.5m/s, và điểm dừng
chờ trong khi lăn sẽ được ghi nhận nếu tàu đứng ở điểm chờ đó lớn hơn
10 giây [11]. Việc phân bổ thời gian của các điểm chờ này (Stopping
point) sẽ được ghi nhận lại để bổ trợ cho sự phân bổ không gian (Spatial
distribution).
 Giai đoạn 3:
 Kết thúc giai đoạn 2, ta sẽ có một tập dữ liệu (Data set) các thông tin cần
thiết cùng với mối tương quan giữa các chủ thể được mô hình hóa dưới
dạng đồ thị.
 Cùng với đó kỹ thuật cắt xén (Prunning) sẽ được thực hiện trong giai
đoạn này. Là một trong những phương pháp cắt tỉa, tối ưu hóa để thu
20
được đặc điểm đặc trưng nổi bật nhằm tiết kiệm bộ nhớ hơn, suy luận
nhanh hơn với độ chính xác giảm ít nhất có thể so với mô hình gốc ban
đầu, hỗ trợ cho các thuật toán máy học.
 Xử lí dữ liệu
 Dòng lưu lượng di chuyển trên bề mặt đại diện cho chuyển động tàu theo
không gian – thời gian, tổng hợp từ từng chiếc tàu bay trên các đường lăn (liên
kết) khác nhau được biểu diễn dưới dạng đồ thị các nút (Node) và cạnh
(Edge).
 Kết hợp với đó là các thông tin đầu vào cũng đã được thu thập và mô hình hóa
biểu đồ, sẽ được chuyển qua một loạt các lớp dày đặc để thu được mã hóa
tương ứng. Sau đó được xử lý trong một khối không gian – thời gian. Với đặc
trưng xử lý dữ liệu qua các lớp (Layers) – mà cụ thể ở đây là layer dạng “phân
phối xác định dữ liệu theo thời gian” (time distributed). Theo đó, kiến trúc đặc
trưng của model dịch máy GNN là “Many to many” – tức tại mỗi bước thời
gian, đầu vào là nhiều dạng dữ liệu và kết quả đầu ra là chuỗi các dự đoán ở
mỗi bước thời gian t (Time step) [10].
Hình 13 Mô tả dữ liệu được xử lý qua các lớp (layers) dày đặc [10]
 Khối không gian – thời gian [7]: Tại đây kỹ thuật so khớp bản đồ (Map-
matching) sẽ được thực hiện. Là kết hợp chuyển đổi và tổng hợp bản đồ để
khớp các tọa độ địa lý được ghi lại với một mô hình logic của không gian và
thời gian thực. Gồm 2 bước là khớp về không gian và khớp về thời gian. Vị trí
vệt di chuyển trên sân của tàu bay sẽ được khớp với phân khu lăn trên mạng
21
lưới bản đồ sân bay đã được thu trước đó (The airport graph network). Mỗi
phân đoạn lăn có một thời gian bắt đầu và kết thúc tương ứng với việc thời
gian tàu bay bắt đầu và kết thúc chu trình lăn, và theo kết quả, quỹ đạo và vận
tốc của tàu bay trên mỗi đoạn lăn sẽ được ước tính và ghi nhận. Thuật toán
khớp đồ thị thời gian sẽ sử dụng thuật toán để ước tính tốc độ trung bình cho
từng đoạn lăn – chờ.
Hình 14 Kiến trúc mô hình GNN [10]
 Dựa trên biểu đồ không gian – thời gian, quỹ đạo hay vệt di chuyển của tàu
bay cũng sẽ được sử dụng để tính toán sự ảnh hưởng của khoảng cách di
chuyển lên thời gian lăn nhằm phát triển mô hình dự đoán thời gian [7]. Tại
đây, phương pháp điều hướng dữ liệu (Data-driven approach) sẽ được áp
dụng nhằm phát triển để dự đoán tốc độ lăn – một phương pháp định hướng dữ
liệu, và dự báo xu hướng trên cơ sở các thông tin thu thập được. Cùng với đó
là các phát hiện về xung đột tiềm ẩn, vì vận tốc tàu bay là yếu tố quan trọng
trong việc loại bỏ xung đột tiềm ẩn giữa các tàu bay trên sân bay trong suốt
giai đoạn lăn.
 Áp dụng kỹ thuật tích chập đồ thị (để nhận dạng và phân loại, xác định đối
tượng) trong khối không gian và tổng hợp chung được thực hiện trên biểu đồ
22
đã chuyển đổi để có được các tính năng đồ thị chung ở mỗi bước tích chập.
Đầu ra của tất cả các bước tích chập được chuyển qua một lớp dày đặc để thu
được mã hóa không gian cho thời gian t. Các chuỗi thời gian mã hóa không
gian sau đó được chuyển qua một lớp dày đặc khác để thu được các mã hóa
không gian – thời gian.
 Cuối cùng, các mã hóa không gian – thời gian được nối với các mã hóa chung,
sau đó được chuyển qua một loạt các lớp dày đặc (Dense) để thu được đầu ra
cuối cùng.
2.1.1.5 Kết quả nghiên cứu đạt được
 Như đã đề cập, mô hình sẽ sử dụng các thông tin sẵn có từ kế hoạch chiến lược
ban đầu. Độ sai lệch so với thời gian dự kiến từ kế hoạch dự kiến, được thể hiện
dưới 3 thông số [10]:
 Sai số trung bình/bình phương (RMSE - Root mean squared error): Sai số này
được sử dụng để đo sự khác biệt giữa các giá trị được dự đoán bởi một mô
hình và các giá trị được quan sát.
 Mean absolute error (MAE): Sai số giữa dự đoán và thực tế
 Mean absolute percentage error (MAPE): Sai số độ chính xác dự đoán của
phương pháp dự báo
 So sánh các chỉ số này thu được từ mô hình thực nghiệm GNN so với các mô
hình dự đoán khác, ta có hình ảnh kết quả dưới đây:
Hình 15 So sánh kết quả dự thời gian lăn bánh của mô hình GNN với các mô
hình khác [10]
23
 Các số liệu về sai số này cho biết dự đoán thời gian lăn chính xác đến mức nào
và mức độ sai lệch so với giá trị thực tế là bao nhiêu. Đối với mô hình GNN có
sai số giữa mô hình dự đoán với thực tế dưới 60 giây, cho thấy rằng mô hình có
thể đáp ứng độ chính xác thời gian lăn mong muốn là ± 2 phút so với kế hoạch
mục tiêu ban đầu [10].
 Kết quả đầu ra của mô hình được đề xuất trên rất quan trọng trong việc hỗ trợ các
chức năng A-CDM tiên tiến hơn cho việc lập kế hoạch và tối ưu hóa chuyển
động bề mặt, chẳng hạn như thứ tự trước khi khởi hành, hoạt động đường băng
chế độ hỗn hợp phức tạp, hoặc tích hợp quản lý đến/đi (AMAN/DMAN).
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
2.1.2.1 Giới thiệu tổng quan về nghiên cứu
 Nghiên cứu “Improving Departure Taxi Time Predictions Using ASDE-X

Surveillance Data” thực hiện nhằm xây dựng các mô hình dự đoán thời gian lăn
bánh khởi hành (Departure taxi – out time) của tàu bay dựa trên nguồn dữ liệu
cung cấp từ Hệ thống phát hiện bề mặt sân bay phiên bản X (Airport Surface
Detection System Model X – ASDE – X).
 Nghiên cứu tập trung thể hiện mối tương quan giữa thời gian khởi hành lăn bánh
(Departure taxi – out time) và độ trễ khởi hành (Delay taxi – out time) do hình
thành hàng đợi khởi hành (Runway queue) tại trước ngưỡng đường băng với một
tập hợp các biến số thay đổi [12] như vị trí xếp hàng trên hàng chờ của tàu bay,
khoảng cách đến đường băng, số lượng chuyến bay cất/hạ cánh, điều kiện thời
tiết, lỗi con người…
 Các nghiên cứu đều được triển khai thử nghiệm vào khoảng thời gian mùa hè
năm 2010 tại sân bay quốc tế John F. Kenedy. Đây là một trong 03 sân bay dân
dụng lớn tại Mỹ với số chuyến bay khai thác trung bình khoảng 981 chuyến
/ngày [13]. Sân bay này hiện đang khai thác với 04 đường cất/hạ cánh 13R/31L,
13L/31R, 4L/22R, 4R/22L (Hình 16).
24
 Cả 04 đường cất/hạ cánh này đều có thể khai thác theo hai đầu đường cất/hạ cánh
phụ thuộc vào hướng gió và lưu lượng chuyến bay đến và đi trong từng điều kiện
cụ thể. Tuy nhiên, cho đến thời diểm hiện tại 04 đường cất/hạ cánh này chưa bao
giờ được sử dụng cùng một lúc. Trong một vài trường hợp, cấu hình đường
cất/hạ cánh có thể được sử dụng chung cho cả chuyến bay khởi hành và đến. Khi
sử dụng cấu hình dùng chung như vậy thì kiểm soát viên không lưu sẽ điều tiết
các chuyến bay đến để tạo điều kiện ưu tiên cho các chuyến bay khởi hành.
Hình 16 Sơ đồ nhà ga, đường lăn, đường cất/hạ cánh tại sân bay Quốc tế Jonh
F. Kenedy [14]
25
Bảng 1 Cấu hình hiện tại của sân bay Quốc tế John F. Kenedy [14]
Tỉ lệ tàu bay
Khởi hành Tỉ lệ tàu bay
Hạ cánh (Arrival) khởi hành
(Departure) đến (AAR)
(ADR)
1 VOR 13L/22L 13R 54 – 60 30 – 32
2 ILS 13L 13R 36 – 38 30 – 32
3 ILS 22L 22R Chưa thống kê Chưa thống kê
4 VOR 22L 22R/31L 34 – 38 54 – 60
5 ILS 22L/22R 22R/31L 42 – 44 44 – 50
6 ILS 04R/04L 04L/31L Chưa thống kê Chưa thống kê
7 ILS 04R 04L 34 – 36 36 – 38
8 ILS 31R VAP 31L 31L 56 – 60 22 – 24
9 ILS 31R 31L 33 - 35 38 - 42
2.1.2.2 Các yếu tố được xém xét ảnh hưởng đến thời gian lăn bánh khởi hành
 Dựa trên quan sát của nhóm tác giả nghiên cứu về sự di chuyển trên bề mặt sân
bay vào ngày 9/7/2010 lúc 19:00, họ nhận thấy rằng sân bay John F. Kenedy có
sự giao cắt phức tạp giữa các thành phần của sơ đồ sân bay (đường lăn, đường
cất/hạ cánh, nhà ga…).
26
Hình 17 Ảnh chụp tình hình giao thông phức tạp tại sân bay JFK lúc 19:00
ngày 9/7/2010 [12]
 Từ đó, nhóm tác giả đã xác định một vài yếu tố tác động trực tiếp và sâu sắc đến
thời gian khởi hành lăn bánh của tàu bay bao gồm [12]:
 Vị trí xếp hàng của tàu bay trên đường CHC: Nó được định nghĩa là số lượng
tàu bay sẽ khởi hành từ đường băng được chỉ định so với tàu bay đang xem xét
tính toán thời gian. Nếu tàu bay có vị trí thứ tự xếp hàng bằng 0 thì có nghĩa
nó là chuyến bay được phép cất cánh tiếp theo;
 Cấu hình đường băng: Đường băng khởi hành sẽ ảnh hưởng đến thời gian lăn
do sự khác biệt về khoảng cách lăn và lưu lượng tiếp nhận tàu bay đến/đi tại
các đường băng là khác nhau;
 Vị trí nhà ga: Khoảng cách đi chuyển của tàu bay đến đường CHC phụ thuộc
vào vị trí xuất phát nó tức là nhà ga được bố trí gần hay xa đường CHC;
 Thời tiết: Trong điều kiện thời tiết khắc nghiệt, thời gian lăn bánh của tàu bay
sẽ kéo dài hơn so với điều kiện thời tiết bình thường;
 Sự tương tác giữa các luồng giao thông trên những đường lăn/đường băng
giao cắt nhau: Đây là một yếu tố tương đối khó xác định, đặc biệt là trong
27
trường hợp giao thông phức tạp vào những khoảng thời gian cao điểm. Đối với
tàu bay lăn cắt qua các đường cất/hạ cánh song song thì đặc điểm về tỷ lệ các
chuyến bay đi/đến từ đường băng cắt qua và đường băng song song sẽ được
xem xét.
 Tuy nhiên, trong khi tiến hành nghiên cứu để thuận tiện trong việc thu thập dữ
liệu nhóm tác giả lựa chọn thu thập các dữ liệu phù hợp với một chuyển động
thông thường của tàu bay từ sân đỗ ra đường CHC bao gồm các thông tin sau
[12]:
 Thời gian tàu bay xuất hiện lần đầu tiên trên màn hình dữ liệu ASDE – X;
 Đường băng được chỉ định sử dụng;
 Thời gian dừng chờ xếp hàng khởi hành (dự tính);
 Thời gian Wheels – off;
 Vị trí dự tính của tàu bay trong hàng chờ;
 Vị trí chờ thực tế của tàu bay trong hàng chờ khi tàu bay đã đến hàng chờ
 Khoảng cách từ vị trí hiện tại của tàu bay đến ngưỡng đường CHC.
 Vì mô hình dự đoán xem xét các tàu bay đã chạy trên đường lăn và dự đoán trong
một khoảng thời gian ngắn hạn nên yếu tố thời tiết không gây ảnh hưởng nhiều.
Hình 18 Điểm thu thập dữ liệu cho mỗi chuyến bay [12]
28
2.1.2.3 Phương pháp nghiên cứu
 Nghiên cứu được phân tích dựa trên phương pháp Hồi quy tuyến tính (Linear
Regression).
 Định nghĩa
 Hồi quy tuyến tính (Linear Regression) là phương pháp phân tích quan hệ
giữa biến phụ thuộc y với 01 hay nhiều biến độc lập x. Trong đó, y được
xem là biến đầu ra (Output) và x là các biến đầu vào (Input) [15];
 Phân loại
 Hồi quy tuyến tính đơn biến: Đây là phương trình có dạng đường thẳng y =
ax + b. Trong đó, biến y chỉ phụ thuộc duy nhất vào một biến độc lập là x;
 Hồi quy tuyến tính đa biến: Đây là phương trình có dạng y = ax 1 + bx2 + cx3
+ dx4 +……… Trong đó, biến y phụ thuộc vào nhiều biến x độc lập và
nhiều hệ số a, b, c, d…
 Hồi quy tuyến tính đa biến được sử dụng trong việc xây dựng các mô hình dự
đoán thời gian lăn bánh khởi hành của tàu bay. Vì như đã biết, thời gian (y)
này phụ thuộc rất nhiều vào các yếu tố khác (x) như cấu hình đường băng, thời
tiết, tình trạng lưu lượng giao thông trên bề mặt sân bay, số lượng chuyến bay
cất/hạ cánh…
 Trong nghiên cứu này, hai mô hình được xây dựng dựa trên phương pháp đó có
tên là mô hình luồng giao thông đồng nhất (Uniform Flow Model – UFM) và mô
hình phân chia luồng giao thông (Split Flow Model – SFM) [12].
 Mô hình luồng giao thông đồng nhất (UFM) là mô hình xác định chuyển động
của tàu bay từ điểm bắt đầu trên khu vực sân đỗ đến ngưỡng dừng chờ trước
đường cất/hạ cánh một cách xuyên suốt (đồng nhất) mà không có sự gián đoạn
nào;
 Mô hình phân chia luồng giao thông (SFM) là mô hình xác định chuyển động
của tàu bay trước khi vào hàng đợi khởi hành (Runway queue) hay có thể hiểu
là thời gian lăn bánh bình thường (Norminal taxi – out time) của tàu bay từ
29
điểm bắt đầu trên khu vực sân đỗ ra đến hàng đợi khởi hành. Do đó, thời gian
dự đoán khởi hành sẽ được tính theo công thức sau:
Predicted time=Norminal time+ Delay time
Trong đó, yếu tố thời gian chậm trễ phụ thuộc vào số lượng tàu bay đang dừng
chờ trước ngưỡng đường cất/hạ cánh và vị trí của tàu bay khởi hành trong
hàng đợi.
 Nguồn dữ liệu sử dụng cho nghiên cứu được cung cấp từ ASDE – X của sân bay
John F. Kenedy trong giai đoạn từ 3/7/2010 đến ngày 14/8/2010.
 Dữ liệu thô từ ASDE – X sẽ được chuyển hóa và bổ sung để tạo cơ sở dữ liệu
cho 02 mô hình tính toán thời gian lăn bánh nêu trên thông qua các bước chính
sau [1]:
 Bước 01: Thực hiện số hóa bản đồ bố trí bề mặt sân bay.
 Trong bước này, các yếu tố liên quan đến thời gian lăn bánh của tàu bay
như đường lăn và đường CHC phải được số hóa với độ chính xác cao.
 Bước 02: Tích hợp quan sát tình huống giao thông với bản đồ sân bay đã được
số hóa.
 Thông qua bước này, nhóm nghiên cứu sẽ xác định được di chuyển của tàu
bay, xác định hàng chờ trước ngưỡng đường CHC, đường băng sử dụng…
Ngoải ra, các yếu tố khác liên quan đến thời gian lăn bánh khởi hành của
tàu bay cũng được xác định ở bước này.
 Bước 03: Xác thực tính chính xác và đầy đủ của dữ liệu.
 Dữ liệu được thu thập từ ASDE – X được xác thực tính đầy đủ và chính xác
bằng cách so sánh với nguồn dữ liệu ở các nguồn khác như Chỉ số hiệu suất
hệ thống hàng không (Aviation System Performance Metrics – ASPM) và
Hệ thống đánh giá hiệu suất chất lượng dịch vụ hàng không (Airline Service
Quality Performance System – ASQP).
 Tính chính xác về vị trí của dữ liệu được xác định bằng cách quan sát trực
quan hướng di chuyển của tàu bay so với tâm đường lăn/đường CHC và
30
khoảng cách giữa các tàu bay với nhau. Hình 19 cho thấy dữ liệu cung cấp
về vi trí có độ chính xác tương đối cao.
Hình 19 Đường di chuyển của tàu bay so với tâm đường lăn [12]
 Tính đầy đủ của dữ liệu được thể hiện bằng cách kiểm tra dữ liệu chuyến
bay khởi hành hàng giờ cung cấp bởi ASDE – X với dữ liệu từ ETMS.
Theo báo cáo của sân bay JFK trong tháng 07 năm 2010, dữ liệu từ ASDE –
X cung cấp trùng khớp 94% với dữ liệu của ETMS.
Hình 20 Bảng so sánh dữ liệu chuyến bay khởi hành hàng giờ của ASDE – X
và ASPM. [12]
31
 Từ đó, nhóm tác giả khẳng định nguồn dữ liệu cung cấp từ ASDE – X có đủ
tính chính xác và đầy đủ để làm nền tảng cơ sở dữ liệu cho mô hình dự đoán
thời gian lăn bánh khởi hành của tàu bay.
 Bước 04: Xây dựng mô hình dự đoán thời gian lăn bánh khởi hành và triển
khai thử nghiệm
 Phương pháp Hồi quy tuyến tính được sử dụng để giải thích mối quan hệ
giữa thời gian lăn bánh và các yếu tố biến thiên gây ảnh hưởng bên ngoài.
 Bước 05: Phân tích kết quả thu được từ 2 mô hình và so sánh.
2.1.2.4 Kết quả nghiên cứu đạt được
 Kết quả khi triển khai áp dụng thực hiện mô hình đã có những cải thiện đáng kể
trong việc dự đoán thời gian lăn bánh khi so sánh với các thời gian dự đoán hiện
có từ hệ thống cải thiện quản lý luồng giao thông (Enhanced Traffic
Management System – ETMS). Mô hình luồng giao thông đồng nhất (UFM) sử
dụng dữ liệu từ ASDE – X đã giảm thời gian dự đoán trung bình lỗi từ 8.07 phút
(ETMS) xuống còn 0.68 phút và độ lệch cho phép giảm từ 21.78 phút xuống còn
4.61 phút [12].
 Và giữa 2 mô hình là nêu trên, nhóm tác giả cũng nhận thấy được mô hình phân
chia luồng giao thông (SFM) sẽ dự đoán thời gian tốt hơn trong điều kiện mà
hàng chờ khởi hành tồn tại, trong khi đó thì mô hình luồng giao thông đồng nhất
(UFM) dự đoán thời gian tương đối ổn định trong mọi trường hợp. Qua bài
nghiên cứu của nhóm tác giả, ta nhận thấy được vị trí hàng chờ khởi hành cũng là
một yếu tố rất quan trọng trong việc dự đoán thời gian lăn bánh [12].
 Vì hệ thống ASDE – X cập nhật dữ liệu giao thông mỗi giây nên dự đoán của mô
hình có thể được cập nhật và chỉnh sửa liên tục cho đến khi tàu bay đến được
ngưỡng đường CHC.
 Tuy nhiên, điểm yếu của việc sử dụng ASDE – X là nó chỉ có thể bắt đầu xác
nhận tàu bay khi tàu bay đi vào giới hạn quan sát của ASDE – X. Do đó, dữ liệu
từ ASDE – X không cung cấp được thời gian từ khi tàu bay thực hiện đẩy lùi.
32
Ngoài ra, hệ thống cần phải có sự hiệu chỉnh khi tình hình giao thông thay đổi
đáng kể như trường hợp đóng cửa đường băng… [12]
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
a. Mô hình Graph Neural Network
 Đồ thị mạng thần kinh (GNN) được sử dụng để mô hình hóa các mối quan hệ
phức tạp giữa chủ thể, đối tượng hay hạng mục, cụ thể được biểu diễn dưới dạng
biểu đồ với nút (Node) - biểu diễn các chủ thể ở đây là các tàu bay/đường lăn; và
cạnh (Edge) - biểu diễn sự tương quan giữa các chủ thể với nhau. Để từ đó nắm
bắt các đặc điểm đặc trưng và mối tương quan giữa các nút được kết nối trong
biểu đồ, cho phép cá nhân hóa để thực hiện các nhiệm vụ đề xuất, dự đoán dựa
trên cấu trúc mạng lưới cơ bản.
b. Mô hình luồng giao thông đồng nhất và phân chia luồng giao thông
 Cả hai mô hình này đều được xây dựng dựa trên phương pháp hồi quy tuyến tính.
Khi sử dụng phương pháp này thì yếu tố thời gian lăn bánh sẽ là biến phụ thuộc
vào các giá trị độc lập khác như cấu hình đường băng, thời tiết, vị trí đỗ của tàu
bay, vận tốc lăn bánh… Mối quan hệ giữa các yếu tố này sau khi tính toán sẽ
được hiển thị dưới dạng biểu đồ đường và các điểm chấm dữ liệu. Đường thẳng
tuyến tính chính là đường gần với các giá trị dữ liệu nhất tức là tổng sai số dự
đoán càng nhỏ càng tốt. Điều này được thể hiện thông qua khoảng cách ngắn
nhất giữa các điểm đến đường hồi quy.
33
Hình 21 Biểu đồ biểu diễn sự phụ thuộc của biến y vào biến x [15]
 Điểm khác biệt nổi bật nhất giữa 2 mô hình trên chính là yếu tố dừng chờ của tàu
bay trước ngưỡng đường CHC. Với mỗi tình huống giao thông khác nhau thì mô
hình phù hợp với tình huống giao thông đó sẽ cho ra kết quả dự đoán thời gian
tốt hơn.
 Nguồn dữ liệu được sử dụng cho mô hình có thể được lấy trực tiếp từ các hệ
thống giám sát sự chuyển động trên bề mặt sân bay. Vì được lấy từ hệ thống
giám sát nên tính chính xác và tính đầy đủ của dữ liệu được bảo đảm.
2.2.2 Các yếu tố đánh giá mô hình
a. Độ sai lệch
 Đối với các mô hình sử dụng phương pháp hồi quy tuyến tính
 Độ lệch giữa giá trị quan sát được và giá trị dự đoán của hai mô hình này là
4,61 phút ít hơn 17 phút so với thời gian dự đoán của hệ thống cải thiện quản
lý luồng giao thông (ETMS - Enhanced Traffic Management System).
 Giá trị sai số này tuy nhỏ hơn nhiều so với giờ dự đoán của hệ thống cải thiện
quản lý luồng giao thông nhưng điểm yếu khi thu thập dữ liệu dựa trên hệ
34
thống giám sát bề mặt sân bay đó chính là tàu bay (mục tiêu quan sát) chỉ xuất
hiện trên màn hình khi nó đi vào tầm phủ của hệ thống. Do đó, dữ liệu thu
được không bao gồm giờ tàu bay bắt đầu thực hiện đẩy lùi. Vì vậy, việc tính
toán thời gian lăn bánh chưa tối ưu.
 Đối với mô hình Graph Neural Network
 Sai số được thể hiện trên 3 thông số: RMSE, MAE và MAPE
 Sai số mô hình GNN khi dự đoán thời gian lăn của tàu bay là nhỏ nhất khi so
sánh với các mô hình dự đoán khác, ± 2 phút so với dự kiến kế hoạch ban đầu.
Kết quả cho ra không lệch quá nhiều so với thực tế dự kiến.
b. Phương pháp xử lý dữ liệu
 Đối với mô hình sử dụng phương pháp hồi quy tuyến tính
Dữ liệu được thu thập trực tiếp từ các hệ thống giám sát nên vẫn có sai sót do
sự hạn chế về tầm phủ của hệ thống;
Khi sử dụng phương pháp hồi quy tuyến tính, ta sẽ chỉ xác định được mối quan
hệ giữa thời gian lăn bánh với các yếu tố độc lập bên ngoài khác mà không xác
định được mối quan hệ giữa các yếu tố này với nhau.
 Đối với mô hình Graph Neural Network
Kiến trúc mô hình GNN với đường ống dữ liệu đầu vào (pipeline) tổng hợp các
tổ hợp yếu tố thông tin liên quan và có sự ảnh hưởng lên chủ thể chính, được
mô hình hóa và mã hóa dưới dạng đồ thị, và cập nhật dữ liệu và so khớp bản
đồ theo thời gian thực. Với cách xử lý dữ liệu này, GNN được cho là rất lí
tưởng để tiếp nhận và xử lí lượng lớn dữ liệu, nắm bắt đặc điểm nổi bật lưu
lượng truy cập, so khớp với thực tiễn qua các lớp thuật toán đặc trưng của máy
học, đảm bảo tính chính xác của dự đoán cao hơn.
35
c. Tính linh hoạt
 Đối với mô hình sử dụng phương pháp hồi quy tuyến tính:
 Đặc điểm của phương pháp hồi quy tuyến tính là nhạy cảm với các dữ liệu
ngoại lai (điểm bất thường hoặc có giá trị khác xa so với các điểm còn lại). Do
đó, khi xảy ra tình huống giao thông bất thường nghiêm trọng như đóng cửa
một đường cất hạ cánh thì hiệu suất tính toán của mô hình không được đảm
bảo và thường dẫn đến độ chính xác rất thấp. Từ đó, nhóm nghiên cứu nhận
thấy tính linh hoạt ứng dụng của mô hình sử dụng phương pháp này trong mọi
tình huống giao thông là thấp. Khi có các yếu tố bất thường xảy ra, các giá trị
dữ liệu đầu vào phải được xem xét tính toán lại toàn bộ.
 Đối với mô hình Graph Neural Network:
 Dữ liệu được cập nhật theo thời gian thực, nhận dạng các ngoại lệ chủ thể để
phân bổ khoảng thời gian chờ (cản trở và không cản trở) và vận tốc di chuyển
trên đường lăn, dẫn đến tính toán khoảng cách linh hoạt hơn để đưa ra các đề
xuất (linh hoạt theo các yếu tố khách quan và chủ quan ảnh hưởng đến chủ
thể, từ đó đưa ra các quyết định hay dự đoán linh hoạt hơn với tình huống)
Có khả năng tiếp nhận và xử lý lượng lớn dữ liệu, linh hoạt cắt xén (prunning)
và tích chập đồ thị nhằm thu được đặc điểm đặc trưng nổi bật với mục đích
giải phóng bộ nhớ, đơn giản hóa mô hình thu được giúp suy luận nhanh hơn
với độ sai lệch dự đoán giảm ít nhất có thể so với mô hình gốc ban đầu mà
không làm biến dạng đi các thông tin đầu vào.
2.2.3 Đánh giá lựa chọn mô hình
 Dựa trên các yếu tố đánh giá như trên phần 2.2.2, nhóm nghiên cứu nhận thấy mô
hình GNN có những điểm nổi bật vượt trội hơn so với các mô hình áp dụng
phương pháp hồi quy tuyến tính:
 Kết quả dự đoán thời gian lăn bánh của mô hình GNN có kết quả chính xác
cao với sai số ± 2 phút so với thời gian lăn thực tế của tàu bay. Kết quả chính
xác gấp 2 lần so với các mô hình sử dụng phương pháp hồi quy tuyến tính.
36
 Khi sử dụng mô hình GNN, nhóm nghiên cứu nhận thấy mô hình thể hiện
không chỉ mối quan hệ giữa các yếu tố bên ngoài ảnh hưởng đến thời gian lăn
mà còn thể hiện mối quan hệ giữa các yếu tố này với nhau. Vì vậy, khi xuất
hiện yếu tố tình huống giao thông bất ngờ, mô hình GNN có thể nhanh chóng
tích hợp yếu tố bất ngờ vào việc dự đoán thời gian lăn bánh.
 Ngoài ra, vì GNN xử lý dữ liệu theo từng lớp dữ liệu và tại mỗi thời điểm sẽ
xuất ra dữ liệu dự đoán tại mỗi bước thời gian. Vì vậy, GNN có thể linh hoạt
xử lý các trường hợp giao thông bất ngờ diễn ra mà vẫn cho ra kết quả chính
xác cao. Đặc điểm xử lý dữ liệu này của GNN hoàn toàn khắc phục được
nhược điểm nhạy cảm với biến ngoại lại của mô hình sử phương pháp hồi quy.
 Một đặc điểm tối ưu nữa của mô hình GNN đó chính là mô hình này đưa ra
nhiều sự lựa chọn về đường lăn cho tàu bay. Dựa vào các dữ liệu thu được về
tình hình giao thông trên sân đỗ mà từ đó mô hình đưa ra tuyến đường lăn
ngắn nhất và tối ưu nhất cho tàu bay. Như vậy, bên cạnh dự đoán thời gian lăn
bánh, mô hình GNN giúp đưa ra tuyến đường lăn tối ưu nhất từ đó rút ngắn
thời gian dừng chờ của tàu bay.
 Chính vì những ưu điểm trên, nhóm nghiên cứu đã quyết định lựa chọn tìm hiểu về
tiềm năng áp dụng mô hình GNN vào việc tối ưu hóa thời gian lăn bánh tại CHKQT
Tân Sơn Nhất.
37
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
 Trong những năm gần đây, mô hình Graph Neural Networks (GNNs) hay còn
được biết đến là một dạng của lí thuyết đồ thị đã được ứng dụng phổ biến trong
các lĩnh vực khoa học và công nghệ.
 Bằng cách áp dụng các tính chất của lí thuyết đồ thị, mô hình Graph Neural
Networks (GNNs) được áp dụng để phân tích dữ liệu, tối ưu hoá hoạt động giao
thông không chỉ ở dưới mặt đất mà những hoạt động mang tính phức tạp như
hoạt động di chuyển của ngành ngành hàng không dân dụng cũng được đưa vào
để tối ưu một cách hiệu quả.
 Cụ thể, trong mô hình Graph Neural Networks (GNNs), lúc này các dữ liệu đưa
vào máy không còn mang bản chất đơn lẻ mà là xuất hiện dưới dạng các mối
quan hệ với những thông tin khác được cấu trúc dưới dạng đồ thị (Graph-based)
để thể hiện mối quan hệ sở hữu, tồn tại với các chủ thể (thông tin) khác. Và với
những đặc tính đó, trong khuôn khổ của bài nghiên cứu này sẽ đi sâu vào ứng
dụng mô hình này để tối ưu hoá hoạt động lăn bánh (Taxi-out) của tàu bay tại
những cảng hàng không, sân bay quốc tế với lưu lượng các chuyến bay đông đúc.
 Ngoài ra, với chức năng học sâu (Deep learning) giúp trí tuệ nhân tạo (AI) của
máy móc có thể mô phỏng theo cách bộ não con người hoạt động để xử lí các dữ
liệu sau đã được được cấu trúc dưới dạng đồ thị (Graph-structured Data), từ đó
tạo lập các mẫu chung để sử dụng cho việc đưa ra quyết định.
38
Hình 22 Hình ảnh minh hoạ mô hình Graph Neural Networks (GNNs)
3.1.2 Đặc tính của mô hình Graph Neural Networks
3.1.2.1 Cấu trúc của một đồ thị (Graph)
 Một đồ thị (Graph) sẽ thể hiện mối quan hệ giữa các thông tin được biểu diễn
thông qua đồ thị dưới dạng G = (V, E), trong đó:
 G là đồ thị được cấu thành (Graph);

 V là tập hợp không rỗng các đỉnh/nút của đồ thị (Vertex/node);
 E là tập hợp các cạnh kết nối các đỉnh/nút của đồ thị (Edge).
 Đối với một đồ thị đơn (Simple Graph), các cạnh trong (E) sẽ nối các đỉnh trong
(V) lại với nhau và giữa 2 đỉnh chỉ có đúng 1 cạnh (Hình 23). Ở ví dụ trong hình
23, mỗi đỉnh nút là một địa danh và giữa 1 cặp đỉnh/nút sẽ có 1 cạnh nối khi giữa
hai địa danh tồn tại một đường (quốc lộ) dẫn từ địa địa danh này đến địa danh
kia. Độ dài của cạnh sẽ thể hiện thông tin tương ứng với khoảng cách từ địa danh
này đến địa danh kia.
39
Hình 23 Đơn đồ thị biểu diễn mối quan hệ giữa các địa danh
 Bên cạnh đó, đối với một đồ thị đa (Multi-graph) sẽ cho phép nhiều cạnh nối một
cặp đỉnh (Hình 24).
Hình 24 Đa đồ thị biểu diễn mối quan hệ giữa các địa danh
 Ngoài ra một đồ thị có hướng (Directed graph): G = (V, E), với

 V là tập hợp không rỗng các đỉnh/nút của đồ thị (Vertex/node);
 E là tập hợp các cạnh kết nối các đỉnh/nút của đồ thị (Edge) có thứ tự.
Hình 25 Đồ thị có hướng biểu diễn mối quan hệ giữa các địa danh
40
 Như vậy, trong một đồ thị có hướng (Directed Graph), một cặp đỉnh có thứ tự.
Trong mỗi cặp có thứ tự đó, đỉnh thứ nhất được gọi là đỉnh đầu, đỉnh thứ hai
là đỉnh cuối. Ngược lại, đồ thị vô hướng không quan tâm đến hướng và coi hai
đỉnh như nhau. Trong ví dụ hình 25, ta nói, chỉ tồn tại một đường quốc lộ (một
chiều theo chiều mũi tên) dẫn từ thành phố Đà Nẵng đến thành phố Lạng Sơn
hoặc chỉ tồn tại một đường quốc lộ (một chiều) dẫn từ thành phố Hà Nội đến
thành phố Hồ Chí Minh.
 Ngoài ra, trong tập một đồ thị (G) sẽ có thêm những tập hợp con của đồ thị
(Subset) kí hiệu là G’ (G  G’). Trong đó, G′ = {V′, E′, u}, với
 Vi là đỉnh/nút thuộc tập hợp V’ (vertex / node), với vi ∈ V’;
 Ek cạnh nối giữa các đỉnh/nút thuộc tập hợp V’ (Edge), với ek ∈ E′;
 U là thuộc tính toàn cục, áp dụng đối với bất kì đỉnh/nút nào (Global
Attribute).
 Ta có ví dụ của tập hợp con của đồ thị như sau: Một đồ thị thể hiện quan hệ hôn
nhân trong một làng. Mỗi người (gồm nam và nữ) là một đỉnh/nút của đồ thị.
Như vậy, đồ thị gồm 2 tập con là phái nam và phái nữ.
3.1.2.2 Bậc của đỉnh /nút
 Với G = (V, E) là đồ thị vô hướng, với :
 U và v gọi là 2 đỉnh liền kề (Adjacent);

 E gọi là cạnh nối của u và v;
 Bậc (Degree) của đỉnh là số các cạnh nối với nó;
 Kí hiệu: Deg(e) = ...
41
Hình 26 Sơ đồ Đồ thị vô hướng
 Với G = (V, E) là đồ thị có hướng và e  (u,v)E

 U gọi là nối tới v, v gọi là được nối từ u;
 U gọi là đỉnh đầu, v gọi là đỉnh cuối.
 Khi đó:
 Deg - (u): bậc “vào” (in-degree) của u;
 Deg + (u): bậc “ra” (out-degree) của u.
Hình 27 Sơ đồ đồ thị có hướng
3.1.3 Ứng dụng mô hình Graph Neutral Network đưa ra dự đoán thời gian lăn
bánh của tàu bay
 Ngày nay, với lưu lượng các chuyến bay đi và đến ngày một tăng cao dẫn đến số
lượng tàu bay tại các sân bay, đặc biệt là những nơi có hoạt động bay quốc tế là
vô cùng lớn. Chính vì vậy việc di chuyển trên các đường lăn phải được tối ưu
hoá để đảm bảo thời gian di chuyển là ngắn nhất, từ đó mới có thể thúc đẩy luồng
42
không lưu, gia tăng số lượng các chuyến bay cất, hạ cánh và đảm bảo năng lực
khai thác tại các sân bay đáp ứng được tốc độ tăng lên nhanh chóng của lưu
lượng bay toàn cầu.
 Chính vì vậy, bài toán đặt ra cho đơn vị kiểm soát tại sân (TWR) chính là phải
chỉ định được tuyến đường ngắn nhất để cho tàu bay lăn bánh mà không phải
dừng chờ hoặc xếp hàng trong một khoảng thời gian dài. Tuy nhiên, các kiểm
soát viên không lưu đơn vị kiểm soát tại sân (TWR) vẫn đang chủ yếu áp dụng
những cách ước lượng truyền thống dựa vào kinh nghiệm và những yếu tố quan
sát được tương đối đơn giản để phân luồng cho các hoạt động lăn tại sân bay.
Điều đó tưởng chừng vẫn đang hiệu quả khi lưu lượng tàu bay vẫn còn đang ở
mức chưa cao, tuy nhiên, khi các hoạt động mở rộng sân bay được diễn ra, số
lượng đường lăn và bến đỗ tăng lên, cũng như các hoạt động bay của ngành
hàng không sẽ tăng lên nhanh chóng cùng với sự phục hồi của kinh tế thì năng
lực quản lí không lưu tại sân bay nếu không có giải pháp thay đổi và cập nhật sẽ
rất khó có thể theo kịp được với sự phát triển
 Ứng dụng mô hình Graph Neural Network hay nói cách khác sử dụng lí thuyết
đồ thị chính là một giải pháp cụ thể để giải quyết bài toán về để tối ưu hoá thời
gian lăn bánh của tàu bay, từ đó dự đoán chính xác thời gian lăn bánh của các tàu
tiếp theo. Cụ thể, việc sử dụng mô hình sẽ giúp so sánh giữa những tuyến đường
cùng đến các vị trí (địa điểm) của sân bay, ví dụ như để lăn từ bến đỗ đến vị trí
đầu đường CHC để tàu bay có thể cất cánh sẽ có rất nhiều đường đi khác nhau,
để tìm ra tuyến đường có khoảng cách ngắn nhất và phù hợp đối với tàu bay.
 Như vậy, với mô hình Graph Neural Network thì mỗi đỉnh/nút sẽ tương ứng với
một đường lăn trên khu vực hoạt động tại sân bay (Movement area). Các cạnh sẽ
thể hiện mối liên hệ giữa các đường lăn với nhau (Ví dụ tồn tại 1 cạnh giữa 2
đỉnh/nút của đường lăn V5 và đường lăn V4 vì đường lăn V5 nối tiếp đường lăn
V4 để dẫn ra điểm dừng chờ trước ngưỡng đường CHC) và độ dài, ngắn của các
cạnh sẽ phụ thuộc đơn vị đo lường trong mối quan hệ giữa các đỉnh/nút (Ví dụ
đơn vị đo lường trong mối quan hệ giữa các đỉnh/nút là thời gian di chuyển giữa
các đầu đường lăn thì độ dài của cạnh sẽ tỉ lệ thuận với thời gian di chuyển giữa
43
các đầu đường lăn). Tuy nhiên, việc tìm ra đoạn đường ngắn nhất lại phụ thuộc
rất nhiều yếu tố. Và để đơn giản hoá mô hình, nhóm nghiên cứu sẽ sẽ đưa ra 2
yếu tố cân nhắc là :
 Thời gian lăn dựa trên độ dài của đường lăn (Length);
 Thời gian chờ trên các đường lăn (Holding time) - Do có tàu bay phía trước
dừng vì yếu tố kĩ thuật, có vật thể lạ,...
 Nguyên tắc thiết lập đồ thị :
 Như vậy, trong mô hình Graph Neural Network được thiết lập để tìm ra đoạn
đường ngắn nhất lúc này sẽ bao gồm 2 loại đỉnh/nút. Loại đầu tiên, đỉnh/nút sẽ
tương ứng các đường lăn trên khu vực hoạt động tại sân bay (Movement area)
như đã đề cập ở trên. Loại thứ hai, đỉnh/nút sẽ tương ứng với thời gian chờ
trên mỗi đường lăn cụ thể. Như vậy, ta đã thiết lập xong các đỉnh/nút.
 Để thiết lập các cạnh, ta dựa trên nguyên tắc như sau :
 Giữa các đỉnh/nút loại thứ 1 , tồn tại 1 cạnh giữa 2 đỉnh/nút nếu 2 đường lăn
tương ứng với 2 đỉnh nút có mối quan hệ nối tiếp nhau (ví dụ tồn tại 1 cạnh
giữa đường lăn V5 và đường lăn V4 vì đường lăn V5 nối tiếp đường lăn V4
để dẫn ra điểm dừng chờ trước ngưỡng đường CHC). Và độ dài, ngắn của
các cạnh sẽ phụ thuộc vào thời gian di chuyển giữa 2 đường lăn tương ứng
với 2 đỉnh nút (được quy đổi từ khoảng giữa 2 đầu đường lăn theo công
thức được mô tả trong phần công thức chuyển đổi trong mục tiếp theo),
theo đó, độ dài của cạnh sẽ tỉ lệ thuận thời gian di chuyển giữa 2 đầu đường
lăn tương ứng.
 Tồn tại 1 cạnh giữa đỉnh/nút của loại thứ 2 với loại đỉnh nút thứ 1 khi ở trên
đường lăn đó có ít nhất 1 tàu bay đang dừng lại tại thời điểm tàu bay đang
xét đi đến đầu đường lăn đó. Độ dài, ngắn của các cạnh sẽ phụ thuộc thời
gian tàu bay đang dừng lại dự định sẽ bắt đầu di chuyển trở lại (ví dụ tàu
bay phía trước xin dừng trên đường lăn 2 phút do kiểm tra kĩ thuật, thì thời
gian đợi của các tàu bay phía sau hoặc các tàu bay chuẩn bị đi vào đường
44
lăn đó là 2 phút. ( thời gian này sẽ được mô tả trong phần công thức chuyển
đổi trong mục tiếp theo).
 Ở đây, nhóm nghiên cứu sẽ lựa chọn đơn vị quy đổi là thời gian theo thang đo là
phút (Minutes) để thực hiện đánh giá mức độ tác động của các yếu tố lên việc lựa
chọn tuyến đường lăn ngắn nhất cho tàu bay
 Và để tính toán trong mô hình, nhóm nghiên cứu đã thiết lập các công thức
chuyển đổi dựa trên khía cạnh tính toán vật lí về khoảng cách, thời gian và vận
tốc với mức độ chính xác ở mức tương đối. Tuy nhiên, do hạn chế về mặt khả
năng về thời gian, nhóm tác giả đưa ra các công thức tính toán với giả thiết tất cả
các tàu bay di chuyển với cùng một vận tốc trong điều kiện hoạt động bình
thường và không xét đến hoạt động hạ cánh khác tại sân bay.
Công thức chuyển đổi :
45
Ví dụ :
 Công thức 1: Độ dài của đường lăn là 10km, vận tốc di chuyển của tàu bay tại
thời điểm đó là 10km/h. Như vậy thời gian di chuyển trên một độ dài đường lăn
của tàu bay là:
46
 Công thức 2: Tàu bay phía trước (Tàu 1) xin dừng trên đường lăn S1 hai phút lúc
00:00. Suy ra, thời gian tàu bay phía trước (Tàu 1) dự định sẽ di chuyển là 00:02.
Tàu bay sau (Tàu 2) dự định đến đầu đường lăn lúc 00:01. Như vậy
 Thời gian đợi của tàu bay dự định đến đầu đường lăn lúc 00:01 là :
00:02 – 00:01 = 1 phút
 Hoặc, thời gian đợi của tàu bay đến đầu đường lăn lúc 00:00 là :
00:02 – 00:00 = 2 phút
* Những tàu ở phía sau tàu 1 đến đầu đường lăn thời điểm trước 00:00 đều xem như
đến vào lúc 00:00.
 Quy trình xử lí dữ liệu (Data Pipeline) để thực hiện tối ưu hoá thời gian lăn bánh
tại một cảng hàng không sân bay được chia thành 3 giai đoạn chính được thể hiện
dưới đây :
 Giai đoạn đầu : Ở trong giai đoạn này, những dữ liệu giám sát (Surveillance
Data) được thu thập bao gồm 2 thành phần:
 Xác định trước quỹ đạo di chuyển cho tày bay (Trajectory preparation):
 Các quỹ đạo dự định cho tàu bay di chuyển trên mặt đất sẽ được thiết lập
trước từ hệ thống kiểm soát và hướng dẫn di chuyển trên mặt đất nâng
cao - Advanced Surface Movement Guidance and Control System (A-
SMGCS). Như vậy, để đi từ một điểm đến một điểm, hệ thống sẽ đưa ra
rất nhiều sự lựa chọn (Options) để thực thi.
 Các dữ liệu thông báo bay (Auxiliary data): Bao gồm tin tức về thời tiết,
khí tượng (Meteorological Information) tại sân bay, trên đường bay hoặc
ở các không phận mà tàu bay dự định sẽ bay qua, tình trạng bề mặt
đường CHC.
 Ngoài ra, lúc này, các thông tin khác về sân bay phục vụ cho mục đích hữu
hình hoá đồ thị (Airport Graph Data) cũng sẽ được cung cấp từ đường
truyền trao đổi dữ liệu giữa đơn vị cảng hàng không. Ví dụ như, thông tin
đóng cửa các đường lăn, bến đỗ vì mục đích bảo trì, bảo dưỡng,...
47
 Trong giai đoạn 1, các thông tin từ nguồn dữ liệu giám sát sẽ được mã hoá
thành ngôn ngữ máy tính để đưa vào bộ xử lí thông tin để thực hiện mô
phỏng thành đồ thị.
 Giai đoạn thứ hai : Giai đoạn này được gọi là Graph fusion – tích hợp vào đồ
thị. Sau khi các dữ liệu thu thập ở giai đoạn đầu đã được mã hoá sẽ tiếp tục
được xử lí để tạo thành một một đồ thị dữ liệu tại sân bay (Airport Graph
Data) bằng thuật toán Graph Association theo nguyên tắc thiết lập đồ thị như
đã đề cập ở trên.
Hình 28 Sơ đồ đường CHC, đường lăn và sân đỗ được tính hợp với các dữ
liệu để tạo thành đồ thị dữ liệu tại sân bay.
 Như vậy, sau khi hết giai đoạn thứ 2, ta sẽ có được một đồ thị của mô hình
Graph Neural Networks như hình 29. Thời gian lăn bánh phụ thuộc vào độ dài
của đường lăn.
48
Hình 29 Sơ đồ quỹ đạo đường lăn, sân đỗ và đường CHC được mô phỏng dựa
theo mô hình GNN
 Giai đoạn thứ ba (Tính toán và đưa ra số liệu): Ở giai đoạn này, hệ thống
đơn giản chỉ cần cộng lại tất cả các trị số thời gian trên có mặt ở trên mỗi quỹ
đạo đường đi. Như vậy, quỹ đạo nào có thời gian ngắn nhất sẽ là tuyến đường
tối ưu nhất.
Ví dụ : Dựa vào hình 29, để đi từ sân đỗ (Apron) đến đường cất hạ cánh
(RWY) chúng ta có thể di chuyển trên hai quỹ đạo.
 Quỹ đạo thứ 1 : Sân đỗ – V3 – V4 – V5 – RWY
 Quỹ đạo thứ 2 : Sân đỗ – V3 – V4 – S5 – S1 – S4
Như vậy, để so sánh 2 quỹ đạo này, ta đơn giản chỉ cần cộng các trị số đo
lường trên mỗi quỹ đạo như sau :
 Quỹ đạo 1 = T1 + T3 + T3A + T4 + T4A + T5 + T5A = X
 Quỹ đạo 2 = T1 + T3 + T3A + T4A + Ts4A + Ts5 + Ts1 + Ts4B = Y
Nếu X > Y : Quỹ đạo 2 tối ưu hơn quỹ đạo 1.
Nếu X < Y : Quỹ đạo 1 tối ưu hơn quỹ đạo 2
49
3.1.4 Các trang thiết bị yêu cầu khi triển khai mô hình GNN
3.1.4.1 Hệ thống kiểm soát và hướng dẫn di chuyển mặt sân nâng cao (A-SGMCS)
a. Tổng quan về hệ thống A-SMGCS [16]
A-SMGCS là một hệ thống cung cấp đường đi, hướng dẫn và giám sát trong việc
kiểm soát máy bay và phương tiện nhằm duy trì tốc độ di chuyển trên bề mặt được
công bố trong mọi điều kiện thời tiết về mức độ tầm nhìn trên sân bay (AVOL) trong
khi vẫn duy trì mức độ an toàn cần thiết.
 A-SMGCS giúp kiểm soát viên không lưu điều hành trong điều kiện thời tiết xấu
và được sử dụng cho các sân bay có cấu trúc phức tạp hay có mật độ giao thông
cao. Một hệ thống A-SMGCS sẽ gồm các dịch vụ chính sau:
 Giám sát (Surveillance)
 Hỗ trợ an toàn sân bay (Airport Safety Support);
 Định tuyến (Routing);
 Hướng dẫn (Guidance).
 Dịch vụ giám sát cung cấp các lợi ích cho kiểm soát viên bằng cách:
 Cung cấp lưu lượng thực tế tại sân bay trên màn hình, không phụ thuộc vào sự
kết nối tầm nhìn giữa kiểm soát viên và tàu bay;
 Cung cấp vị trí và danh tính của tất cả các tàu bay hợp tác trong vùng phủ
sóng không phụ thuộc vào điều kiện tầm nhìn và tầm nhìn của kiểm soát viên;
 Hỗ trợ quản lý lưu lượng nhanh chóng.
 Dịch vụ hỗ trợ an toàn sân bay hỗ trợ kiểm soát viên bằng cách:
 Dự đoán xung đột tiềm ẩn (Ví dụ: tình huống nguy hiểm giữa tàu bay với tàu
bay hoặc giữa tàu bay và xe cộ);
 Phát hiện xung đột và xâm nhập (Ví dụ: sự xâm nhập của xe cộ trên khu vực
tàu bay di chuyển trên đường băng, sân đỗ);
 Phát hiện tàu bay di chuyển không tuân theo huấn lệnh được chỉ định. (Ví dụ:
tàu bay được chỉ định vào bến số 15 nhưng kiểm soát viên kịp thời nhìn thấy
tàu bay đi quá bến số 15 và chuẩn bị rẽ vào bến khác);
50
 Cung cấp cảnh báo. (Ví dụ: cảnh báo va chạm giữa các phương tiện trên khu
hoạt động)
 Dịch vụ định tuyến:
 Tuyến đường theo kế hoạch (Planned Route)
 Trước khi tàu bay bắt đầu di chuyển trên sân đỗ hoặc trong trường hợp
trước khi hạ cánh của tàu bay đến, hệ thống sẽ tạo tuyến đường dựa trên
tình hình không lưu (đường băng và đường lăn đang sử dụng) và dữ liệu
chuyến bay;
 Bất kỳ thay đổi bắt buộc nào như thay đổi đường băng hoặc đóng đường lăn
đều được Dịch vụ định tuyến (Route Services) tự động tính đến và tuyến
đường đã lên kế hoạch được cập nhật mà không cần sự tương tác của kiểm
soát viên.
Hình 30 Ví dụ về tuyến đường theo kế hoạch (tàu bay vẫn ở bến đỗ)
(Nguồn: EUROCONTROL)
 Tuyến đường đã cho phép (Cleared Route)
51
 Khi kiểm soát viên cho phép tàu bay bắt đầu di chuyển trên sân đỗ, trạng
thái tuyến đường sẽ thay đổi thành “cleared” cho đến giới hạn huấn lệnh
(CL) và tuyến đường giống như tuyến đường đã lên kế hoạch trừ khi kiểm
soát viên đã sửa đổi nó. Trong hình là một ví dụ về tuyến đường đã cấp
phép được biểu thị bằng đường liền màu xanh lá cây.
Hình 31 Ví dụ về một tuyến đường đã được cấp phép và đang chờ xử lý đến
điểm dừng chờ trước ngưỡng đường CHC (Nguồn: EUROCONTROL)
 Tuyến đường đang chờ huấn lệnh tiếp theo (Pending Route)
 Sau huấn lệnh được cấp (ví dụ: huấn lệnh lăn), tuyến đường đang chờ huấn
lệnh tiếp theo là bất kỳ phần nào của tuyến đường theo kế hoạch chưa được
kiểm soát viên cho phép đi đến. Hình trên cho thấy một chuyến bay khởi
hành đã được phép đến một điểm chờ trên đường băng (đường liền màu
xanh lá cây biểu thị tuyến đường đã cho phép). Đoạn nhỏ sau điểm chờ dẫn
vào đường băng (đường đứt nét màu xanh lá cây) biểu thị tuyến đường đang
chờ huấn lệnh tiếp theo.
52
 Dịch vụ hướng dẫn
 Dịch vụ hướng dẫn được thiết kế trên cơ sở của một hoặc nhiều trong ba chức
năng sau, có thể được giới thiệu một phần tùy thuộc vào yêu cầu của sân bay
đó:
 Tự động chuyển đèn tim đường lăn (Taxiway Centreline Lights);
 Tự động chuyển đổi các thanh dừng (Stop bars);
 Tự động kích hoạt Hệ thống hướng dẫn cắt nối bằng mắt nâng cao (A-
VDGS - Advanced-Visual Guidance Docking Systems).
b. Áp dụng hệ thống A-SMGCS trong việc tính toán thời gian lăn bánh của tàu bay
 Hệ thống A-SMGCS tính toán thời gian lăn bánh của tàu bay bằng cách tích hợp
các thông tin cần thiết và sử dụng các thuật toán để đưa ra dự đoán và ước tính
thời gian cho quá trình lăn bánh.
 Hệ thống này sẽ thu thập thông tin từ các cảm biến và radar trên sân bay để theo
dõi vị trí, tốc độ, và hướng di chuyển của các phương tiện và tàu bay trên bề mặt
sân bay. Các cảm biến và radar sau đây thường được tích hợp trong hệ thống A-
SMGCS:
 Cảm biến định vị toàn cầu (GPS): Cảm biến GPS cung cấp thông tin về vị trí
và tọa độ của các phương tiện di chuyển trên bề mặt sân bay. Thông tin này
hữu ích trong việc xác định vị trí hiện tại và theo dõi sự di chuyển của tàu bay.
 Cảm biến đo khoảng cách (Distance Measuring Equipment - DME): Cảm biến
DME được sử dụng để đo khoảng cách giữa tàu bay và các điểm xác định trên
sân bay, bao gồm các đường lăn, vùng an toàn và các vị trí đỗ. Thông tin từ
cảm biến DME giúp xác định khoảng cách và tốc độ di chuyển của tàu bay.
 Hệ thống sử dụng dữ liệu thu thập được để xác định vị trí hiện tại của tàu bay và
các yếu tố giao thông khác trên sân bay, bao gồm vị trí đỗ, đường lăn, và các khu
vực an toàn.
 Dựa trên dữ liệu và thông tin đã xác định, hệ thống sử dụng các thuật toán tính
toán để dự đoán thời gian lăn bánh cần thiết trong giai đoạn khởi hành cho tàu
bay từ vị trí đỗ hiện tại đến vị trí dừng chờ trước ngưỡng đường CHC. Các yếu tố
53
được xem xét bao gồm khoảng cách, tốc độ di chuyển, độ ưu tiên, và tình hình
không lưu ở khu hoạt động.
 Kết quả tính toán được hiển thị trên màn hình của kiểm soát viên không lưu hoặc
các thiết bị đầu cuối tại bảng điều khiển tàu bay. Thông tin bao gồm thời gian dự
đoán lăn bánh, đường lăn đề xuất.
 Kiểm soát viên không lưu và phi công sử dụng thông tin từ hệ thống A-SMGCS
để điều chỉnh và giám sát quá trình lăn bánh. Thời gian lăn bánh có thể được điều
chỉnh dựa trên các yếu tố mới như điều kiện thời tiết, sự thay đổi trong tình trạng
giao thông hoặc hướng dẫn từ kiểm soát viên.
3.1.4.2 Hệ thống giám sát tự động phụ thuộc quảng bá (ADS-B)
 Định nghĩa
 Hệ thống ADS – B là một hệ thống giúp tàu bay, các phương tiện hoạt động
trên sân bay hoặc các đối tượng khác có thể tự động truyền và/hoặc nhận dữ
liệu liên quan đến nhận dạng tàu bay, vị trí và dữ liệu bổ sung ở chế độ phát
quảng bá (Broadcast) thông qua liên kết dữ liệu.
 Cách thức hoạt động
 Hệ thống ADS – B hoạt động dựa trên hệ thống thông tin định vị toàn cầu
GPS. Trên mỗi tàu bay được trang bị thiết bị thu tín hiệu GPS, dựa trên tín
hiệu thu được từ vệ tinh, tàu bay sẽ tự động tính toán tọa độ, tốc độ và độ cao
của nó;
 Sau đó hệ thống ADS – B trên tàu bay sẽ phát quảng bá thông tin đó tới các
tàu bay khác và các trạm thu dưới mặt đất;
 Các trạm thu tín hiệu ADS – B sẽ thu nhận các tín hiệu phát ra từ các tàu bay
trong tầm phủ rồi xử lý và truyền về trung tâm điều hành bay để hiển thị vị trí
các tàu bay lên màn hình.
 ADS-B trong cơ sở hạ tầng giám sát cung cấp các đặc tính quan trọng cho
mạng lưới ATM toàn cầu. Tại các sân bay, sự kết hợp giữa các công nghệ có
sẵn mang lại sự tối ưu hóa trong công tác điều hành bay, ví dụ, SMR kết hợp
với ADS-B sẽ cho phép vận hành hệ thống A – SMGCS và tích hợp các hoạt
54
động khai thác khác. ADS-B kết với SMR sẽ cung cấp thông tin giám sát trên
màn hình giám sát của kiểm soát viên không lưu dưới dạng bản đồ với sự di
chuyển của tàu bay và các phương tiện hoạt động tại sân.
Hình 32 Mô hình nguyên lý hoạt động của hệ thống ADS – B. [17]
 Khi tàu bay được trang bị ADS-B, nó có khả năng truyền tín hiệu vị trí của mình
đến hệ thống quản lý không lưu và các tàu bay khác trong khu vực hoạt động.
Thông tin ADS-B này bao gồm vị trí chính xác của tàu bay, tốc độ và hướng di
chuyển.
 Trên cơ sở thông tin ADS-B nhận được, hệ thống quản lý không lưu có thể tính
toán và dự đoán thời gian lăn bánh của tàu bay. Thông qua việc theo dõi vị trí và
tốc độ di chuyển của tàu bay, KSVKL có thể ước tính thời gian tàu bay cần để di
chuyển từ bến đỗ đến điểm dừng chờ trước ngưỡng đường CHC, từ điểm chạm
bánh đến sân đỗ. Thông tin này cho phép ATC quản lý lưu lượng tàu bay hiệu
quả hơn, giảm thiểu tắc nghẽn và tăng cường an toàn trong việc điều phối các
hoạt động trên sân bay.
55
Hình 33 Thông tin tàu bay được hiển thị trên Flightradar24 thông qua tín hiệu
ADS-B (Nguồn: Flightradar24)
 Thông tin từ ADS-B, hiển thị trên Flightradar24, có thể cung cấp cho ATC thông
tin về thời gian lăn của mỗi máy bay. ATC có thể xem thời gian mà mỗi máy bay
mất từ điểm xuất phát đến điểm đích trên sân bay. Điều này giúp ATC đánh giá
và dự đoán thời gian lăn của các máy bay tiếp theo và quản lý lưu thông trên sân
bay một cách hiệu quả.
 Flightradar24 cho phép KSVKL kiểm tra thông tin từ các máy bay thông qua
ADS-B với thông tin mà họ nhận được từ các phương tiện khác, bao gồm radar
và hệ thống theo dõi khác. Bằng cách đối chiếu thông tin này, KSVKL có thể xác
định sự khớp nhau và đảm bảo tính chính xác của thông tin về thời gian lăn của
máy bay.
 Tuy nhiên, cần lưu ý rằng dữ liệu từ ADS-B và Flightradar24 chỉ cung cấp thông
tin dự đoán thời gian lăn và chỉ mang tính chất tham khảo. KSVKL cần kết hợp
thông tin này với các nguồn thông tin khác và kinh nghiệm của mình để đưa ra
quyết định và hướng dẫn thích hợp cho các tàu bay trên khu hoạt động.
56
3.1.4.3 Thiết bị phát hiện bề mặt sân bay – mô hình X (Airport Surface Detection
Equipment - Model X)
 ASDE-X là một hệ thống giám sát bề mặt sân bay, giúp theo dõi và phát hiện các
xung đột tiềm năng trên đường băng và đường lăn bằng cách cung cấp khả năng
theo dõi chi tiết về di chuyển trên bề mặt sân bay. Hệ thống ASDE-X thường
được triển khai kết hợp với các hệ thống khác để giám sát các phương tiện và tàu
bay trên bề mặt sân bay và nhận thông tin nhận dạng từ bộ tiếp sóng tàu bay. [18]
 ASDE-X sử dụng dữ liệu từ các cảm biến của SMR, MLAT, ADS-B, hệ thống tự
động hóa thiết bị đầu cuối (Terminal automation system) và bộ tiếp sóng tàu bay.
Bằng cách thu thập dữ liệu từ các cảm biến này, ASDE-X cung cấp thông tin thời
gian thực cho kiểm soát viên không lưu, cho phép họ theo dõi vị trí, tốc độ và
hướng di chuyển của các máy bay và phương tiện trên trên khu vực hoạt động
của sân bay, cũng như máy bay bay trong vòng 5 dặm tính từ sân bay. Các dữ
liệu này được sử dụng để tính toán và dự đoán thời gian lăn bánh của tàu bay.
Hơn nữa, ASDE-X cũng có thể nhận thông tin nhận dạng từ bộ tiếp sóng trên
máy bay, giúp hệ thống phân biệt được các máy bay khác nhau. [16]
 ASDE-X là một phần của hệ thống A-SMGCS. Trong khi A-SMGCS là một hệ
thống quản lý và kiểm soát toàn diện cho các hoạt động di chuyển trên khu hoạt
động, ASDE-X là một thành phần trong hệ thống A-SMGCS, tập trung vào giám
sát và theo dõi sự di chuyển của các phương tiện.
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
3.2.1. Thực trạng tắc nghẽn tại CHKQT Tân Sơn Nhất
3.2.1.1 Thực trạng
 CHKQT Tân Sơn Nhất là 1 trong 3 CHKQT nhộn nhịp bậc nhất của Việt Nam
và là đầu mối giao thông quan trọng của khu vực miền Nam. Với vị trí địa lý
thuận lợi cho việc giao lưu phát triển kinh tế giữa các nước trong và ngoài khu
57
vực, không bất ngờ khi Tân Sơn Nhất nằm trong nhóm 50 Cảng HKQT có lượng
khách nhiều nhất thế giới (2014).
 Tân Sơn Nhất có công suất nhà ga lớn, với công suất thiết kế năm 2018 là 28
triệu lượt khách/năm. Tuy nhiên, theo số liệu thống kê, sản lượng hành khách
thông qua CHKQT Tân Sơn Nhất trong năm 2018, đạt 38,5 triệu hành khách,
gấp 1,5 lần và vượt xa so với công suất thiết kế. Điều này gây quá tải không chỉ
lên cơ sở hạ tầng mà còn ảnh hưởng tới hiệu suất hoạt động và khả năng khai
thác của các chuyến bay.
 Dự kiến trong những ngày cao điểm, mùa lễ tết CHKQT này có thể đón hơn
100.000 khách đi/đến, cao nhất trong 3 CHKQT lớn nhất tại Việt Nam. [19]
Hình 34 Sản lượng hành khách qua ga quốc nội sân bay Tân Sơn Nhất
(Nguồn: VnExpress) [20]
 Đối với những dịp lễ, Tết, lượng khách di chuyển tăng đột biến. Dự kiến trong cả
dịp hè 2023, CHKQT Tân Sơn Nhất sẽ phục vụ gần 24 triệu hành khách trên hơn
150.000 chuyến bay, tăng 7,6% lượng khách và 6,64% số chuyến bay so với hè
2022. Lượng khách sẽ tập trung đông đúc cả 2 chiều đi và đến. [21]
58
 Với lưu lượng chuyến bay ngày một tăng như hiện nay, thực trạng tắc nghẽn từ
trên trời tới mặt đất của CHKQT Tân Sơn Nhất đã trở thành nỗi ám ảnh không
chỉ của hành khách, các hãng hàng không mà còn gây nhiều khó khăn cho công
tác quản lý điều hành bay của các cơ sở cung cấp dịch vụ không lưu.
 Với lượng hành khách lớn như vậy, tình trạng tắc nghẽn dẫn đến trễ chuyến là
không thể tránh khỏi. Theo thống kê, từ 1/6 – 11/6/2023, CHKQT Tân Sơn Nhất
đã ghi nhận tới 740 chuyến bay quốc nội khai thác chậm giờ.
 Nếu tính cả các chuyến bay quốc tế, chưa đầy nửa tháng 6 đã ghi nhận tổng 915
chuyến bay trễ. [21] Nguyên nhân số lượng chuyến bay khai thác trễ vì lý do thời
tiết trong giai đoạn nửa đầu tháng 6 chiếm tỷ lệ rất nhỏ - 28/740 chuyến bay mà
đa phần là lý do tàu đến trễ và do tổ bay [21]
Hình 35 15 chiếc tàu bay phải xếp hàng dài chờ cất cánh ở sân bay Tân Sơn Nhất
ghi nhận vào ngày 19/01/2020 [22]
59
3.2.1.2 Nguyên nhân
 Hạn chế về cơ sở hạ tầng

 Đường cất hạ cánh: CHKQT Tân Sơn Nhất hiện nay có hai đường cất hạ cánh
song song phụ thuộc theo mô hình được xây dựng từ năm 1967 [23], với trục
tim cách nhau 365m, chỉ cho phép duy nhất một tàu bay được cất cánh hoặc
hạ cánh trong cùng một thời điểm.
Hình 36 Hai đường cất hạ cánh tại CHKQT Tân Sơn Nhất với trục tim cách
nhau 365m (Nguồn: AIP Việt Nam) [24]
 Điều này sẽ hạn chế phần nào hiệu suất khai thác các chuyến bay trong cùng một
thời điểm.
 Hệ thống đường lăn, sân đỗ
 Cấu trúc hệ thống bố trí đường lăn, sân đỗ phần lớn nằm sát nhau theo dạng
xương cá về hai bên của đường lăn và các đường lăn chính chủ yếu là
đường lăn “độc đạo” [23].
 Việc bố trí bến đỗ và đường lăn như vậy chỉ có thể cho phép duy nhất một
luồng các tàu bay đẩy lùi, lăn di chuyển từ các bến đỗ ra đường cất hạ cánh
cùng lúc để khởi hành hoặc ngược lại trong cùng một thời điểm, luồng tàu
bay đi ngược chiều sẽ phải dừng chờ tại các ngã ba, ngã tư giữa các đường
lăn. Đồng thời, trường hợp các tàu bay chuẩn bị khởi hành từ các bến đỗ
60
cũng có thể phải chờ tạm thời để các tàu bay khác hoàn thành việc lăn
ra/vào trên các đường lăn phía sau.
 Điều này khiến cho quá trình di chuyển, lăn ra/vào của các tàu bay từ nhà
ga, sân đỗ ra đường cất hạ cánh và ngược lại gặp không ít khó khăn.
 Các đường lăn thoát ly cho tàu bay hạ cánh được thiết kế trước năm 1975
hiện nay đã không còn phù hợp với các loại tàu bay mới (thường có kích
thước và tải trọng lớn hơn nhiều so với các loại tàu bay khai thác trước năm
1975). [23]
 Do đó ta thấy rằng việc các tàu bay thường xuyên gặp trì hoãn, chậm trễ trong
quá trình đẩy lùi, di chuyển và xếp hàng để cất cánh trên mặt đất tại CHKQT
Tân Sơn Nhất chủ yếu là do năng lực bị giới hạn bởi mô hình cấu trúc cơ sở hạ
tầng đường cất hạ cánh, đường lăn và sân đỗ, đặc biệt là khi lưu lượng bay bay
ngày càng cao. [23]
61
Hình 37 Khu vực sân đỗ và đường lăn tại CHKQT Tân Sơn Nhất (Nguồn:
AIP Việt Nam) [24]
 Do hạn chế bởi diện tích và vị trí xây dựng

 Qua nhiều đợt nâng cấp, mở rộng nhưng tính theo diện tích thì CHKQT Tân
Sơn Nhất hiện nay chỉ còn 1/4 đến 1/5 so với thời kỳ năm 1975 do sự phát
triển đô thị hóa [23]. Mặt khác, CHKQT Tân Sơn Nhất còn bị bao quanh bởi
các khu vực dân cư đông đúc.
 Điều này khiến cho CHKQT khó có thể triển khai thực hiện các cải tạo, mở rộng
và nâng cấp lớn liên quan đến hạ tầng đường cất hạ cánh để đáp ứng được yêu
cầu hoạt động bay ngày càng tăng cao.
 Do thời tiết, khí hậu
 Vùng trời CHKQT Tân Sơn Nhất cũng bị ảnh hưởng bởi điều kiện khí hậu tự
nhiên, đặc biệt là vào mùa mưa, xuất hiện nhiều mây CB tích điện, gây nguy
hiểm tại các vị trí quan trọng. [23]
 Cụ thể, theo thông tin từ CHKQT Tân Sơn Nhất, trong ngày 16/5/2023, hãng
hàng không quốc gia Vietnam Airlines có 90 chuyến bay cất cánh từ CHKQT
Tân Sơn Nhất. Trong đó có 3/11 chuyến bay bị chậm do thời tiết xấu. [25]
 Mặc dù số lượng chuyến bay bị trễ do thời tiết nhỏ, nhưng nó cũng ảnh hưởng
rất nhiều tới hiệu quả khai thác.
 Do các hoạt động quân sự:
 Các khu vực tàu bay quân sự tập luyện cũng chiếm phần lớn không gian trong
vùng trời CHKQT Tân Sơn Nhất. Điều này dẫn đến việc tàu bay hàng không
dân dụng thường phải bay tránh, bay vòng để nhường đường. [23]
3.2.2 Đánh giá tính phù hợp của mô hình GNN trong việc tối ưu hóa thời gian lăn
bánh
 Từ thực trạng trên, ta thấy rằng, để khắc phục tình trạng tắc nghẽn, chậm, hủy
chuyến thì đòi hỏi các cơ sở cung cấp dịch vụ không lưu cùng với các cảng hàng
không phải phối hợp, áp dụng các biện pháp sắp xếp, điều tiết thứ tự của các
chuyến bay cất cánh, hạ cánh và lăn bánh một cách hợp lý, hiệu quả, đảm bảo
62
tuân thủ chặt chẽ quy định của Việt Nam cũng như ICAO, nhằm tối ưu hóa hoạt
động bay tại CHKQT Tân Sơn Nhất.
 Mặc dù các biện pháp về việc nâng cấp, sửa đổi, mở rộng cơ sở hạ tầng là rất
quan trọng trong việc giải quyết tình trạng tắc nghẽn, quá tải công suất, nhưng nó
là cả một quá trình dài hạn trong việc tính toán và thiết kế. Những yếu tố gây tắc
nghẽn do điều kiện thời tiết là điều kiện khách quan, khó thay đổi. Vì vậy, luồng
giao thông chỉ được tối ưu hóa khi ta có những biện pháp khả thi, cụ thể và phù
hợp, một trong số đó là việc phối hợp trao đổi thông tin giữa các cơ quan, đơn vị
liên quan để cùng nhau ra quyết định - ACDM. Trong đó, để tối ưu hóa trình tự
hoạt động của tàu bay thì một trong những yếu tố cốt lõi để giải quyết trực tiếp
tình trạng tắc nghẽn này là việc tính toán và tối ưu hóa thời gian lăn bánh của tàu
bay thông qua mô hình GNN (Graph Neural Netwwork).
 Cụ thể, thời gian lăn bánh ở đây là thời gian lăn ra để cất cánh và thời gian lăn
vào vị trí đỗ của tàu bay. Do vậy, việc giảm thời gian lăn bánh của tàu bay đồng
nghĩa với việc giảm thời gian chiếm dụng đường lăn và tối ưu hóa sử dụng cơ sở
hạ tầng tại cảng hàng không. Điều này sẽ giúp quá trình di chuyển trên các
đường lăn, sân đỗ dễ dàng hơn, tránh tình trạng tắc nghẽn, duy trì luồng giao
thông điều hòa, hiệu quả, tiết kiệm thời gian và giảm chi phí nhiên liệu tiêu hao.
 Theo tính toán sơ bộ của các hãng hàng không nội địa, mỗi phút tiết kiệm thời
gian lăn sẽ tương ứng với số nhiên liệu tiết kiệm được và quy đổi chi phí như
sau: Với loại tàu bay A350 tiết kiệm được 25 kg nhiên liệu/1 phút tương đương
khoảng 127$ cho mỗi phút giảm thời gian lăn; với loại tàu bay B787 tiết kiệm
được 20 kg nhiên liệu/1 phút, tương đương khoảng 122$ cho mỗi phút giảm thời
gian lăn; với loại tàu bay A321 tiết kiệm được 13,5 kg nhiên liệu/1 phút, tương
đương khoảng 68$ cho mỗi phút giảm thời gian lăn; với loại tàu bay ATR72 tiết
kiệm được 13,5 kg nhiên liệu/1 phút, tương đương khoảng 19$ cho mỗi phút
giảm thời gian lăn [10]. Ngoài ra, việc giảm thời gian lăn bánh do tắc nghẽn còn
giúp cho quá trình di chuyển thuận lợi và liên tục hơn, tiết kiệm nhiên liệu hơn
rất nhiều so với việc lăn bánh với nhiều điểm dừng (Taxiing with Waiting
points).
63
Bảng 2 So sánh lượng nhiên liệu tiêu hao khi di chuyển tại các đường lăn được tối
ưu hóa và đường lăn có điểm chờ [26]
Quá trình lăn tối ưu Quá trình lăn có điểm chờ

Loại
Nhiên liệu tiêu Nhiên liệu tiêu
tàu bay Thời gian lăn (s) Thời gian lăn (s)
hao (kg) hao (kg)
B738 285 116.70 302 120.84
A320 285 103.93 302 107.59
B777 285 314.05 302 325.30
A310 285 195.77 302 202.72
B747 285 606.75 302 627.84
A340 285 257.34 302 266.49
 Trong bài nghiên cứu này, do hiện trạng tắc nghẽn chủ yếu tồn tại ở giai đoạn lăn
ra, nên nhóm tác giả sẽ tập trung giải quyết, tính toán và tối ưu thời gian lăn của
tàu bay từ bến đỗ đến điểm chờ trên đường băng (Taxi-out Time).
 Cụ thể, mô hình GNN sẽ so sánh thời gian lăn trên từng tuyến đường để tìm ra
tuyến đường lăn phù hợp nhất, với thời gian lăn bánh là ít nhất. Từ việc xác định
thời gian lăn đó, ta có thể phân luồng, sắp xếp, điều chỉnh thời gian rút chèn của
tàu bay sao cho phù hợp, cho phép tàu bay lăn một cách tối ưu nhất, hiệu quả
nhất, hạn chế tình trạng xếp hàng hay di chuyển “đứt đoạn” (có nhiều điểm dừng
chờ - Waiting points), gây tắc nghẽn trên các đường lăn.
 Bên cạnh đảm bảo các hoạt động bay tại sân diễn ra nhịp nhàng, việc giảm thời
gian lăn bánh của tàu bay thông qua mô hình GNN hứa hẹn sẽ mang lại lợi ích
đầy tiềm năng, không chỉ đối với các đơn vị cung cấp dịch vụ đảm bảo hoạt động
bay mà còn đối với các cảng hàng không, hãng hàng không và cả hành khách,
64
đặc biệt phù hợp với những CHKQT lớn, nhộn nhịp với mật độ bay dày đặc như
Tân Sơn Nhất.
65
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
 Các tàu hoạt động trên sân đỗ mới có thể áp dụng mô hình Graph Neural
Network, giới hạn khu vực áp dụng là giới hạn kiểm soát của bộ phận kiểm soát
mặt đất Tân Sơn Nhất.
 Đối tượng áp dụng:
 Tàu bay A320 và tương đương trở xuống;
 Tàu bay B747-400 và tương đương trở xuống;
 Tàu bay B787 và tương đương trở xuống;
 Tàu bay code C/E/F và tương đương trở xuống.
 Thời gian áp dụng: Trong khung giờ từ 08h00 – 09h00 mỗi ngày.
 Để tiến hành nghiên cứu áp dụng mô hình GNN vào việc tối ưu hóa thời gian
lăn bánh, nhóm nghiên cứu đã thực hiện khảo sát để lựa chọn ra khung giờ mà
tàu bay có thời gian lăn bánh chậm trễ nhất. Khảo sát này được thực hiện từ
06h00 đến 22h00 ngày 02/07/2023 thông qua việc quan sát trên Flightradar24.
 Sau khi thu thập và xử lí dữ liệu, nhóm nghiên cứu nhận thấy khung giờ từ
08h00 – 09h00 tàu bay có thời gian lăn nhiều nhất (Biểu đồ 1). Do đó, nhóm
nghiên cứu quyết định lựa chọn khung giờ này tiến hành thực hiện việc áp
dụng mô hình.
 Mục tiêu: So sánh và tìm ra tuyến đường có khoảng cách ngắn nhất và phù hợp
đối với tàu bay tại Tân Sơn Nhất. Từ đó giúp KSVKL có thể sắp xếp, phân luồng
tàu bay lăn trên nhiều tuyến đường hơn, cho phép tàu bay lăn một cách tối ưu
nhất, hiệu quả nhất, hạn chế tình trạng xếp hàng hay di chuyển với nhiều điểm
dừng (Waiting points), gây tắc nghẽn trên 1 tuyến đường lăn cố định. Ngoài ra,
66
việc dự đoán thời gian lăn bánh chính xác còn có ý nghĩa trong việc lên kế hoạch,
tính toán giờ rút chèn (EOBT), giúp điều hòa luồng không lưu và khai thác tối đa
công suất tại CHKQT Tân Sơn Nhất.
Biểu đồ 1 Thời gian lăn bánh trung bình trong từng khung giờ từ 06h00 – 22h00
4.1.2 Các yếu tố ảnh hưởng
4.1.2.1 Độ dài của đường lăn [27]
 Theo nhóm nghiên cứu, độ dài đường lăn là một yếu tố quan trọng ảnh hưởng
đến thời gian lăn bánh khởi hành của tàu bay. Vì chiều dài trên các đoạn đường
lăn khác nhau sẽ dẫn đến thời gian tàu bay di chuyển trên các đường lăn đó khác
nhau. Ngoài ra, vị trí sân đỗ cũng là một trong những yếu tố ảnh hưởng đến thời
gian lăn bánh của tàu bay.
 Vì mô hình tập trung vào tính toán thời gian tàu bay lăn cho giai đoạn khởi hành
(Taxi-out time), vậy nên, bài nghiên cứu chỉ xem xét đến yếu tố độ dài của các
đường lăn thường được sử dụng để cất cánh ở đường băng 25L. Các đường lăn
đó bao gồm:
 Đường lăn S1 (đường lăn nối): Chiều dài: 150m, chiều rộng: 95m;
 Đường lăn S3: Chiều dài: 390m, chiều rộng: 23m;
67
 Đường lăn V:
 Chiều dài: 3590m, chiều rộng: đoạn từ S10 đến S5: 23m, đoạn từ S5 đến S1:
36,1m;
 Lưu ý của đường lăn: Khi tàu bay nhóm D, E di chuyển trên đường lăn V
(đoạn song song với với đường công vụ A13) thì các phương tiện, thiết bị
phải rời khỏi đường công vụ A13.
 Đường lăn S
 Đường lăn S đoạn từ S1 đến S5. Chiều dài: 1086m, chiều rộng: 23m;
 Đường lăn S đoạn từ S5 đến S6. Chiều dài: 372m, chiều rộng: 23m.
Hình 38 Sơ đồ đường tại Cảng hàng không Quốc tế Tân Sơn Nhất (Nguồn: AIP VN)
68
4.1.2.2 Thời gian chờ trên các đường lăn (Holding time)
 Thời gian dừng chờ là thời gian mà tàu bay phải chờ đợi trước khi được cất cánh.
Nếu thời gian chờ đợi tăng lên, việc dự đoán thời gian lăn sẽ bị ảnh hưởng.
 Thời gian dừng chờ dài có thể làm thay đổi lịch trình của chuyến bay. Nếu một
chuyến bay bị trì hoãn do thời gian chờ đợi, thời gian lăn dự kiến ban đầu sẽ
không còn chính xác.
4.1.2.3 Điều kiện thời tiết
 Trong điều kiện thời tiết xấu, tàu bay sẽ lăn bánh với khoảng thời gian lâu hơn
bình thường. Do đó, đây cũng là một trong những yếu tố mà nhóm nghiên cứu
cho rằng có tác động đến thời gian lăn bánh của tàu bay.
 Tại CHKQT Tân Sơn Nhất, thời tiết thường tương đối ổn định và không gặp
những hiện tượng thời tiết nghiêm trọng như bão giông hay tuyết rơi trên đường
lăn như các sân bay khác. Mặc dù có thể có mưa trong một khoảng thời gian nhất
định nhưng đối với tàu bay trong quá trình lăn, điều này thường không ảnh
hưởng nhiều. Do đó, trong bài nghiên cứu này, để việc thực hiện nghiên cứu
được dễ dàng hơn, nhóm nghiên cứu giả định tàu bay lăn trong điều kiện thời tiết
tốt.
4.1.2.4 Sự tương tác giữa luồng giao thông đi và đến
 Tỉ lệ tàu bay đến là yếu tố ảnh hưởng lớn đến thời gian lăn bánh khởi hành của
tàu bay. Khi số lượng tàu bay đến đông và liên tục, thời gian dừng chờ của tàu
bay sẽ gia tăng. Dẫn đến, tình trạng tàu bay xếp hàng dài trước ngưỡng đường
CHC.
 Đây là một yếu tố khó để xác định, do đó, nhóm nghiên cứu giả định trường hợp
không có tàu nào về hạ cánh trong mô hình này.
69
4.1.3 Áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất
4.1.3.1 Nguồn dữ liệu
 Dữ liệu bao gồm thông tin về đường băng, đường lăn, sân đỗ và phương thức
khai thác sẽ được thu thập từ AIP Việt Nam.
 Ngoài ra, dữ liệu về độ dài của từng đoạn đường lăn cụ thể không được công bố
trong AIP Việt Nam sẽ được thu thập trực tiếp thông qua bản đồ thực địa Google
Earth.
 Dữ liệu về thời gian, vận tốc lăn trung bình được phân tích từ quá trình tàu bay
lăn thực tế qua việc quan sát, theo dõi, thu thập và tính toán qua ứng dụng giám
sát chuyến bay trực tuyến là Flightradar24. Cho tới thời điểm này, đây là một
trong những ứng dụng giám sát chuyến bay phổ biến nhất trong việc theo dõi
thông tin về tàu bay theo thời gian thực.
4.1.3.2 Quá trình xử lí dữ liệu:
 Giai đoạn 1: Thu thập dữ liệu
 Quỹ đạo di chuyển của tàu bay (Trajectory Preparation): Chính là việc xác
định các tuyến đường lăn của tàu bay trong giai đoạn cất cánh.
 Trong bài nghiên cứu, nhóm nghiên cứu sẽ tập trung trên các tuyến đường từ
bến đỗ đến các giao điểm giữa đường lăn với đường CHC.
70
Hình 39 Sơ đồ đường lăn và sân đỗ của CHKQT Tân Sơn Nhất (Nguồn: AIP VN)
 Quy ước các sân đỗ:

 Sân đỗ 1 (Apron 1): Gồm các bến đỗ từ 1 – 16;
 Sân đỗ 2 (Apron 2): Gồm các bến đỗ từ 17 – 54;
 Sân đỗ 3 (Apron 3): Gồm các bến đỗ từ 71 – 104.
 Quy ước các đường lăn sử dụng cho giai đoạn cất cánh:
 Nhóm nghiên cứu lựa chọn chia nhỏ tuyến đường lăn lớn thành nhiều đoạn
đường lăn nhỏ vì theo đặc điểm từng tuyến đường, tàu bay sẽ di chuyển trên
từng đoạn đường, không nhất thiết di chuyển trên một đường lăn dài;
 Ví dụ, nhóm nghiên cứu chia đường lăn V thành V1 và V2 vì các tuyến
đường lựa chọn cho tàu bay có thể chỉ cần đi V1 và lên S1 để dừng chờ cất
cánh. Do đó, chia nhỏ tuyến đường lăn V giúp cho nhóm nghiên cứu dễ
dàng thu thập và xử lí dữ liệu thời gian của từng tuyến đường hơn. Điều này
được áp dụng tương tự cho các đoạn đường lăn khác.
 Đường lăn S1, S3, S5. Trong đó, quy ước đường lăn S5 gồm:
71
 S5A (148 m*) – Đường lăn nối V – S31;
 S5B (577 m*) – Đường lăn nối V – Sân đỗ 2.
 Đường lăn S. Trong đó ta quy ước:
 S53 : Đường lăn nối S5 – S3 (615 m*);

 S31 : Đường lăn nối S3 – S1 (490 m*).
 Đường lăn V. Trong đó ta quy ước:
 V1: Đường lăn nối S1 – S5 (1185 m*);

 V2: Đường lăn nối S5 – S7 (1200 m*).
* Số liệu được thu thập trực tiếp trên bản đồ thực địa Google Earth.
Hình 40 Minh họa quy ước các đoạn đường lăn và sân đỗ
 Xác định các tuyến đường lăn cho tàu bay khởi hành:
 Hiện nay, các tàu bay khởi hành tại Tân Sơn Nhất chủ yếu cất cánh từ đầu
đường băng 25L. Tuy nhiên, trong bài nghiên cứu này, nhóm nghiên cứu
muốn xem xét và đề cập tới những tuyến đường lăn khác có kết nối với
đường CHC 25L. Cụ thể, ngoài đầu đường băng 25L, tàu bay hoàn toàn có
khả năng cất cánh từ giữa đường băng, cụ thể là tại giao điểm của đường
CHC 25L và đường lăn S3.
72
Hình 41 Các cự ly công bố tại các đường băng của CHKQT Tân Sơn Nhất
 Như trên hình 41, cự ly có thể cất cánh còn lại (Remaining TODA) tại giao
điểm giữa đường lăn S3 và đường CHC 25L là 3528 m. Trong bài nghiên
cứu này, để đảm bảo tính khả thi, nhóm nghiên cứu xét trên cự ly cất cánh
yêu cầu của loại tàu bay lớn nhất hoạt động tại CHKQT Tân Sơn Nhất là
B747.
Hình 42 Thông số kĩ thuật của B747 [28]
73
 Cự ly cất cánh của loại tàu bay B747 này theo thông số của nhà sản xuất là
khoảng 3190 m, nhỏ hơn so với TODA tại đường CHC 25L (3528 m), hoàn
toàn có đủ khả năng khởi hành tại giao điểm S3 và RWY 25L.
 Do vậy, mặc dù theo kiến nghị, chỉ có tàu bay ATR72 hoặc tương đương trở
xuống được khuyến cáo khởi hành tại giao điểm, nhưng các tàu bay khác vẫn
hoàn toàn có khả năng khởi hành tại đó, nhưng cần thông báo trước cho
KSVKL trước khi lăn. [29] [30]
 Dựa vào minh chứng trên, bài nghiên cứu sẽ đưa ra các lựa chọn tuyến
đường lăn từ các sân đỗ đến đầu đường băng 25L và tại giao điểm giữa S3
và 25L, đối với tất cả các loại tàu bay.
 Đối với các tàu bay từ bến 1-16 (thuộc sân đỗ 1): Tàu bay được đẩy lùi
ra và lăn theo đường lăn V1  rẽ trái vào đường lăn S1  điểm chờ để
khởi hành đầu đường CHC 25L.
 Đối với các tàu bay từ bến 17-54 (thuộc sân đỗ 2): Các tuyến đường
được minh họa như hình 43.
 Tuyến đường lăn 1: Tàu bay được đẩy lùi ra và lăn theo đường lăn
S5B  Tới điểm HS 7  Rẽ phải theo đường lăn V1  đường lăn S1
 điểm chờ để khởi hành đầu đường 25L.
S5B  Tới điểm HS 7  tới điểm HS5 rẽ phải vào đường lăn S53 
đường lăn S31  S1  điểm chờ để khởi hành đầu đường 25L.
S5B  tới điểm HS5 rẽ phải vào đường lăn S53  đường lăn S3 
điểm chờ để khởi hành S3.
74
Hình 43 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 2 đến điểm chờ cất cánh
đường băng 25L
 Đối với các tàu bay từ bến 71-104 (thuộc sân đỗ 3): Các tuyến đường
lăn được minh họa như hình 44.
 Tuyến đường lăn 1: Tàu bay được đẩy lùi ra và lăn theo đường lăn V2
 Tới điểm HS 7  đi theo đường lăn V1  đường lăn S1  điểm
chờ để khởi hành.
 Tới điểm HS 7  rẽ trái vào S5A  rẽ phải vào đường lăn S53 
đường lăn S31  S1  điểm chờ để khởi hành.
 Tới điểm HS 7  Rẽ trái vào S5A  rẽ phải vào đường lăn S53
 đường lăn S3  điểm chờ để khởi hành.
75
Hình 44 Quỹ đạo lăn bánh của tàu bay từ sân đỗ 1 đến điểm chờ cất cánh
đường băng 25L
 Các dữ liệu thông báo bay (Auxiliary data):

 Các thông tin về thời tiết, các thông tin khác về sân bay như đóng cửa các
đường lăn, bến đỗ vì mục đích bảo trì, bảo dưỡng,... cũng sẽ được cập nhật
cho mục đích hữu hình hoá đồ thị (Airport Graph Data). Những thông tin
đó sẽ được cung cấp từ đường truyền trao đổi dữ liệu giữa đơn vị Cảng
hàng không (giữa bộ phận kiểm soát tại sân và kiểm soát mặt đất của TWR
Tân Sơn Nhất).
 Các thông tin từ nguồn dữ liệu giám sát đó sẽ được mã hoá thành ngôn ngữ
máy tính để đưa vào bộ xử lí thông tin để thực hiện mô phỏng thành đồ thị.
 Giai đoạn thứ hai: Graph Fusion - “tích hợp vào đồ thị”
 Các dữ liệu thu thập ở giai đoạn 1 sau khi mã hoá sẽ được xử lí để tạo thành
một một đồ thị dữ liệu tại sân bay Tân Sơn Nhất (Airport Graph Data) bằng
thuật toán “Graph Association”.
 Quy ước:
76
 Là một đồ thị có hướng, được tạo thành bởi các nút (Node) tượng trưng cho
một đường lăn di chuyển trong sơ đồ cho tàu bay cất cánh tại Tân Sơn
Nhất. Đặc điểm của các đường lăn này chính là sẽ giao nhau (Intersection),
nối tiếp nối liền nhau (Followed-by) để dẫn đến điểm dừng chờ trước
ngưỡng đường CHC 25L.
 Các nút (Node) được nối với nhau bởi các cạnh (Egde), với độ dài ngắn
khác nhau, tượng trưng cho thời gian lăn hết đoạn đường lăn tương ứng.
 Điểm đầu của đồ thị sẽ là sân đỗ (Apron) và điểm cuối của đồ thị là điểm
dừng chờ trước ngưỡng đường CHC 25L. Đồ thị sẽ xây dựng dựa trên các
tuyến đường lăn theo quỹ đạo đã được xác định ở giai đoạn 1.
 Đơn vị: Do các yếu tố ảnh hưởng (Độ dài đường lăn, thời gian chờ) có các
đơn vị đo lường khác nhau, nên nhóm nghiên cứu sẽ lấy giá trị có thể quy
đổi linh hoạt là thời gian, biểu diễn với đơn vị là phút.
 Tỉ lệ mô hình: 1:1 (1 phút tàu bay lăn tương ứng với 1 cm trên mô hình).
 Xử lý tổng hợp và phân tích các yếu tố: Các thông số của các yếu tố ảnh
hưởng với các đơn vị đo khác nhau sẽ được tính toán và chuyển đổi thành giá
trị thời gian, thông qua các thuật toán tối ưu về toán học.
 Các yếu tố ảnh hưởng thời gian lăn:
 Yếu tố độ dài đường lăn (Length):
Bảng 3 Thông số chiều dài đường lăn cho giai đoạn khởi hành tại HKQT Tân
Sơn Nhất
Đường lăn Chiều dài (Length) Ghi chú (Remark)

(Taxiway)
S1 150 m Không
S3 390 m Không
S5A 148 m* Đường lăn nối V – S31
S5B 577 m* Đường lăn nối V – Apron 2
77
S53 615 m* Đường lăn nối S5 – S3
S31 490 m* Đường lăn nối S3 – S1
V1 1185 m* Đường lăn nối S1 - S5
V2 1200 m* Đường lăn nối S5 – S7
* Độ dài được đo ước tính với giá trị tương đối trên bản đồ thực địa Google
Earth
 Vận tốc tàu bay:
 Khi lăn trên đường lăn thẳng, vận tốc tối đa của tàu bay là 30 kts; khi
thực hiện rẽ với góc nhỏ hơn 90 độ, vận tốc từ 10 kts đến 20 kts ; khi
thực hiện rẽ với các góc lớn hơn hoặc bằng 90 độ, vận tốc không vượt
quá 10 kts trong điều kiện thời tiết tốt. [30]
 Tuy nhiên, để bài nghiên cứu có tính khả thi đối với nhiều loại tàu bay
hoạt động tại Tân Sơn Nhất, nhóm nghiên cứu lấy giá trị vận tốc trung
bình của tàu bay là 13 kts (6.7 m/s). Giá trị này đã được nhóm nghiên
cứu thực hiện khảo sát trên 22 tàu bay hoạt động trong khung giờ từ
08h00 – 09h00 ngày 2/7/2023.
78
Biểu đồ 2 Vận tốc trung bình của 22 chuyến bay trong khung giờ từ 08h00 –
09h00 tại CHKQT Tân Sơn Nhất.
 Quy đổi:
 Với chiều dài đường lăn cụ thể và vận tốc lăn tối ưu trung bình
(13kts), thời gian tàu bay di chuyển trên từng đoạn đường lăn được
trình bày tại Bảng 4. Thông số này sẽ được tích hợp vào mô hình để
xác định tuyến đường tối ưu nhất cho tàu bay.
Bảng 4 Thời gian lăn tối ưu của tàu bay trên từng đoạn đường lăn tại CHKQT
Tân Sơn Nhất
Thời gian lăn Tỉ lệ trên

Chiều dài tối ưu (s)
Đường lăn Vận tốc trung mô hình
đường lăn
(Taxiway) bình (m/s) Giây Phút* 1:1
(m)
(s) (min) (cm)
S1 150 6.7 22.4 0.4 0.4
S3 390 6.7 58.2 1.0 1.0
79
S5A 148 6.7 22 0.3 0.3
S5B 577 6.7 86.1 1.4 1.4
S53 615 6.7 91.8 1.5 1.5
S31 490 6.7 73.1 1.2 1.2
V1 1185 6.7 176.9 2.9 2.9
V2 1200 6.7 179.1 3.0 3.0
*Giá trị đã được làm tròn

 Yếu tố thời gian chờ trên đường lăn (Holding Time)
 Yếu tố thời gian chờ chỉ tồn tại khi tàu bay đang di chuyển bị cản trở bởi
tàu bay phía trước dừng vì yếu tố kĩ thuật, có vật thể lạ,...
 Vì đây là yếu tố biến thiên, phụ thuộc vào tình hình, cũng như mật độ
không lưu tại thời điểm đó, nên đồ thị sẽ được xây dựng với độ dài ngắn
khác nhau, dựa trên công thức chuyển đổi như sau:
Hn= EFCTn-1 – Tn
Trong đó:
 Hn là thời gian tàu bay thứ n dự kiến chờ trên đường lăn
 EFCTn-1 là thời gian tàu liền trước n sẽ di chuyển
 Tn là thời gian lăn dự kiến của n
 Công thức chuyển đổi dựa trên khía cạnh tính toán vật lí về khoảng cách,
thời gian và vận tốc với mức độ chính xác ở mức tương đối, với giả thiết
tất cả các tàu bay di chuyển với cùng 1 vận tốc trong điều kiện hoạt động
bình thường và không xét đến hoạt động hạ cánh khác tại sân bay.
 Kết quả biểu diễn dưới dạng đồ thị
80
Hình 45 Mô hình Graph Neural Network thử nghiệm tính toán thời gian lăn bánh tại
CHKQT Tân Sơn Nhất
 Giai đoạn thứ ba : Tính toán và đưa ra số liệu

 Ở giai đoạn này, hệ thống sẽ tính toán tất cả các trị số thời gian di chuyển cũng
như thời gian chờ dự kiến trên từng đoạn đường lăn mà tàu bay sẽ sử dụng để
đến đường CHC 25L.
 Sau khi tính toán thời gian lăn của tàu bay trên các tuyến đường khả thi, hệ
thống sẽ tiến hành so sánh để chọn ra tuyến đường dự tính có thời gian di
chuyển là ít nhất, tối ưu và phù hợp nhất.
 Cụ thể:
 Xuất phát từ cùng sân đỗ 2, tàu bay có 3 tuyến đường đến đường CHC 25L:
 Tuyến đường thứ 1: Sân đỗ – S5B – V1 – S1 – RWY25L
 Tuyến đường thứ 2: Sân đỗ – S5B– S5A – S53 – S31 – S1 – RWY25L
 Tuyến đường thứ 3: Sân đỗ – S5B – S5A – S53 – S3 – RWY25L
81
 Tính toán thời gian lăn (dựa trên các dữ liệu về thời gian lăn trên từng tuyến
đường và thời gian chờ ước tính tại thời điểm đó)
 Thời gian tàu bay lăn trên tuyến đường 1:
T1* = (TS5B + TV1 + TS1) + [ EFCTn-1 – Tn]
= (1.4 + 2.9 + 0.4) + [ EFCTn-1 – Tn]
= 4.7 + [ EFCTn-1 – Tn]
T2* = (TS5B + TS5A + TS53 + TS31 + TS1) + [ EFCTn-1 – Tn]
= (1.4 + 0.3 + 1.5 +1.2 + 0.4) + [ EFCTn-1 – Tn]
= 4.8 + [ EFCTn-1 – Tn]
T3* = (TS5B + TS5A + TS53 + TS3) + [ EFCTn-1 – Tn]
= (1.4 + 0.3 + 1.5 + 1.0) + [ EFCTn-1 – Tn]
= 4.2 + [ EFCTn-1 – Tn]
*Thời gian lăn dự tính trên từng tuyến đường (đơn vị: phút)
 So sánh tổng thời gian lăn ước tính:
 Nếu T1 < T2 < T3 : Tuyến đường 1 là tối ưu nhất.
 Nếu T2 < T3 < T1 : Tuyến đường 2 là tối ưu nhất.
 Nếu T3 < T2 < T1: Tuyến đường 3 là tối ưu nhất.
4.2 Bài toán áp dụng nghiên cứu GNN tại CHKQT Tân Sơn Nhất
Chìa khóa chính trong việc áp dụng mô hình GNN vào việc tối ưu hóa thời gian
lăn bánh đó chính là khả năng xác định tuyến đường tối ưu nhất dựa vào các dữ liệu
thực tế được cập nhật liên tục thông qua hệ thống giám sát tại sân bay. Dựa trên
nguyên lý đó, để kiểm tra tính ứng dụng thực tế của mô hình trong việc giải quyết tình
trạng tắc nghẽn trên đường lăn, nhóm nghiên cứu thực hiện khảo sát áp dụng triển khai
mô hình này vào khung thời gian 08h00 – 09h00 tại CHKQT Tân Sơn Nhất.
82
4.2.1 Các giả thuyết của bài toán
Để thuận tiện trong việc thực hiện tính toán và áp dụng mô hình, nhóm nghiên
cứu đã giả định một vài yếu tố sau:
 Tàu bay lăn trong điều kiện bình thường, không chịu ảnh hưởng của thời tiết hay
các vấn đề kĩ thuật.
 Bài toán không tính đến yếu tố hạ cánh tại đường băng 25R, chỉ xem xét cất cánh
trên đường CHC 25L.
 Tất cả các loại tàu bay khởi hành tại đường CHC 25L, với 2 vị trí cất cánh (tại
đầu đường CHC 25L và tại giao điểm giữa đường lăn S3 và đường CHC 25L).
 Phương pháp tính toán dựa trên các công thức toán học, chưa xét đến các yếu tố
khai thác thực tế.
 Các giá trị số liệu sử dụng trong mô hình được tính toán tại bảng 4 và các quy
ước về tên gọi đường lăn, sân đỗ được thể hiện như hình 40 tại mục 4.3.1.2 của
bài nghiên cứu.
4.2.2 Bài toán thực tế áp dụng mô hình GNN
4.2.2.1 Bối cảnh thực tế tại thời điểm thực hiện áp dụng mô hình
 Vào thời điểm lúc 01:29:00 UTC (08:29:25 - giờ Việt Nam) ngày 11/07/2023
trên các đường lăn nối liền từ S53 đến S1 đang có 4 tàu bay xếp hàng chờ khởi
hành. Và cũng tại thời điểm này, tàu BAV1122 bắt đầu thực hiện quá trình đẩy lùi
và lăn bánh ra đầu đường CHC 25L.
83
Hình 46 Tàu bay BAV1122 chuẩn bị lăn bánh vào lúc 01:29:00 UTC (Nguồn:
Flightradar24)
 Như vậy, tình trạng tắc nghẽn đang được diễn ra trên đường lăn S1 và tàu cuối
cùng trong hàng chờ phải đợi ít nhất là gần 13 phút (trong đó bao gồm 1 phút lên
đường CHC, 1 phút chạy đà cất cánh, 2 phút phân cách nhiễu động đối với mỗi
tàu bay) để có thể lên được đường CHC.
 Điều này không chỉ ảnh hưởng đến hành trình bay của những tàu đang xếp hàng
để lên đường CHC mà còn thay đổi lịch trình của những chuyến bay đang chuẩn
bị lăn ra để khởi hành. Hơn thế nữa, việc dừng chờ quá lâu trên các đường lăn
dẫn đến những ảnh hưởng vô cùng lớn đối với các hãng hàng không.
 Thứ nhất, việc tàu bay di chuyển với một tốc độ rất thấp và liên tục hãm phanh
không chỉ khiến tiêu tốn nhiên liệu (Không tận dụng được lực quán tính) mà
còn gây giảm tiểu thọ đến hệ thống phanh (Vì lúc này trọng tải tàu bay rất lớn,
bao gồm nhiên liệu, hành khách, hàng hoá,..)
 Thứ 2 việc tàu bay dừng chờ quá lâu sẽ làm tăng thời gian làm việc của phi
hành đoàn (Flight duty time), điều này khiến cho chi phí phải trả cho phí hành
đoàn cũng phải tăng thêm.
84
Hình 47 Tàu bay BAV1122 đến đầu đường CHC 25L (Nguồn: Flightradar24)
4.2.2.2 Áp dụng mô hình giải quyết bài toán
 Thời điểm áp dụng

 Việc ứng dụng hiệu quả mô hình GNN trong tối ưu hoá thời gian lăn bánh cho
tàu bay nhằm giảm thiểu tình trạng tắc nghẽn phụ thuộc rất nhiều vào thời
điểm mà mô hình áp dụng. Thông thường, áp dụng càng sớm thì tỉ lệ tắc
nghẽn càng được giảm thiểu.
 Như vậy, trong trường hợp thời điểm khảo sát ở trên, nhóm tác giả quyết định
lựa chọn thời điểm lúc 01:29:00 để áp dụng mô hình GNN. Lúc này, tình trạng
tắc nghẽn trên đường lăn từ S53 đến S1 vẫn chưa xuất hiện, như vậy, điều kiện
về thời điểm áp dụng mô hình là hoàn toàn phù hợp.
 Tại thời điểm lúc 01:29:00, tàu bay BAV1122 được xếp thứ tự cất cánh
(Sequence) thứ 5 khi xin được rút chèn để lăn ra đường CHC, như vậy trong
phần áp dụng này, nhóm tác giả sẽ áp dụng mô hình GNN trực tiếp đối với tàu
BAV1122 để làm ví dụ điển hình tương tự áp dụng đối với tất cả tàu bay còn
lại.
 Xác định tuyến đường lăn
85
 Khi tàu bay BAV1122 xin được rút chèn. Hệ thống A-SMGCS tại sân bay cho
thấy loại tàu bay A321, ở bến đỗ 19 có thể cất cánh ở khoảng cách từ vị trí
điểm giao giữa đường lăn S3 và S1 với đường CHC. Từ tập dữ liệu (database)
của bến đỗ 19 thuộc sân đỗ 2, tàu bay BAV1122 có 3 tuyến đường đến RWY
25L, gồm:
 Tuyến đường thứ 1 : Sân đỗ 2 – S5B – V1 – S1 – RWY25L;
 Tuyến đường thứ 2 : Sân đỗ 2 – S5B – S5A – S53 – S31 – S1 – RWY25L;
 Tuyến đường thứ 3 : Sân đỗ 2 – S5B – S5A – S53 – S3 – RWY25L.
Hình 48 Các tuyến đường lăn của tàu bay BAV1122 từ bến đỗ 2
 Xác định thời gian lăn
 Thời gian di chuyển trên từng tuyến đường
86
Hình 49 Thời gian di chuyển trên từng tuyến đường của BAV1122 chưa xem xét tới
yếu tố thời gian chờ
 Từ mô hình, thời gian di chuyển của tàu bay trên từng tuyến đường (chưa
xem xét tới yếu tố chờ) được tính toán như sau:
T1 = TS5B + TV1 + TS1
= 1.4 + 2.9 + 0.4
= 4.7 phút
T2 = TS5B + TS5A + TS53 + TS31 + TS1
= 1.4 + 0.3 + 1.5 +1.2 + 0.4
= 4.8 phút
T3 = TS5B + TS5A + TS53 + TS3
87
= 1.4 + 0.3 + 1.5 + 1.0
= 4.2 phút
 Thời gian chờ
 Trên tuyến đường 3: Tại thời điểm 01:29:00, không có tàu bay dừng chờ, vì
vậy thời gian chờ ước tính của BAV1122 nếu lăn trên tuyến đường này là
bằng 0 (ước tính tại thời điểm 01:29:00). Do đó TH3 = 0.
 Trên tuyến đường 1 và 2: Lúc 01:29:00, có 4 tàu bay khác đã được cấp huấn
lệnh lăn ra đường lăn S1 để tiến nhập lên đường CHC. Tàu liền trước của
BAV1122 là BAV204 (hình 46). Như vậy, áp dụng công thức tại chương 3,
thời gian chờ của BAV1122 trên S1 là:
 Thời gian tàu BAV204 dự định sẽ di chuyển lên đường CHC là:
3 tàu phía trước ở S1

(1phút + 1 phút + 2 phút) x 3 + ( 1phút +1 phút)= 14 phút
Tàu BAV204 lên CHC*
* Vì chỉ cần tàu BAV204 trước cất cánh (airborne) thì BAV1122 có thể lên
đường CHC, nên tàu bay BAV204 không xét tới phân cách nhiễu động 2
phút.
 Thời gian dự định BAV1122 lăn trên tuyến đường 1 là 4.7 phút.
 Như vậy, thời gian chờ trên tuyến đường 1 đối với tàu bay BAV1122 là:
TH1 = 14 phút – 4.7 phút = 9.3 phút (9 phút 18 giây)
 Thời gian dự định BAV1122 lăn trên tuyến đường 2 là 4.8 phút.
 Như vậy, thời gian chờ trên tuyến đường 2 đối với tàu bay BAV1122 là :
88
TH2 = 14 phút – 4.8 phút = 9.2 phút (9 phút 12 giây)
 Áp dụng quy tắc ở chương 3, ta biết được, tồn tại cạnh (edge) thời gian chờ
(Holding) nếu có ít nhất 1 tàu bay với tốc độ V = 0 xuất hiện trên đường lăn. Như
vậy, chỉ tồn tại cạnh (edge) thời gian chờ ở đường lăn S1. Sử dụng các quy ước
về chuyển đổi thời gian và độ dài tại chương 3 (1 phút = 1 cm), ta biểu diễn các
dữ liệu thu thập được dưới dạng đồ thị như sau (hình 50).
Hình 50 Thời gian di chuyển trên từng tuyến đường của BAV1122 có xem xét tới yếu
tố thời gian chờ
4.3 Kết quả nghiên cứu
 Thời gian lăn sẽ được tính bằng thời gian di chuyển trung bình trên tuyến đường
đó cộng thêm thời gian chờ (nếu có). Dựa vào số liệu tính toán tại mục 4.2.2.2 ta
có kết quả thời gian tàu bay lăn trên mỗi tuyến đường như sau:
 Thời gian tàu bay lăn trên tuyến đường 1:
89
T1 = (TS5B + TV1 + TS1) + TH1
= (1.4 + 2.9 + 0.4) + 9.3
= 4.7 + 9.3
= 14 (phút)
T2 = (TS5B + TS5A + TS53 + TS31 + TS1) + TH2
= (1.4 + 0.3 + 1.5 +1.2 + 0.4) + 9.2
= 4.8 +9.2
= 14 (phút)
T3 = (TS5B + TS5A + TS53 + TS3) + TH3
= (1.4 + 0.3 + 1.5 + 1.0) + 0
= 4.2 (phút)
 Dựa vào các kết quả trên, tại thời điểm 01:29:00, tàu bay BAV1122 chọn tuyến
đường 3 là tối ưu nhất.
 Đánh giá ý nghĩa của mô hình GNN trong việc xử lý bài toán tắc nghẽn tại
CHKQT Tân Sơn Nhất:
 Tính chính xác cao: Theo mô hình, nếu tàu bay đi trên tuyến đường 2 thì thời
gian lăn sẽ là 14 phút. Thực tế, tàu bay chọn tuyến đường số 2, thời gian bắt
đầu lăn là lúc 01:29:00, thời gian đến đường CHC 25L là lúc 01:42:00, tổng
thời gian lăn là 13 phút.
 Tính chính xác trong dự đoán là 94.5 %. Sai số còn lại có thể là do các yếu tố
như vận tốc lăn của tàu bay, có sự chênh lệch so với vận tốc trung bình mà
nhóm nghiên cứu lựa chọn.
 Giảm thời gian chờ: Như vậy, khi chưa áp dụng mô hình GNN, tàu bay
BAV1122 phải chờ trên đường lăn S1 ít nhất là 9 phút 12 giây mới được lên
90
đường CHC. Ngược lại sau khi áp dụng mô hình GNN, tàu bay BAV1122 có
thể lên đường CHC sau 3 phút chờ trên đường lăn S3 (chờ tàu trước cất cánh
và phân cách nhiễu động), giảm được 68% thời gian chờ so với thông thường.
 Giảm thời gian chiếm dụng đường lăn: Dựa vào mô hình, tàu bay chọn
tuyến đường số 3, với thời gian lăn chỉ có 4.2 phút, ít hơn 9.8 phút, tiết kiệm
70% thời gian chiếm dụng đường lăn so với tuyến đường đi thực tế (tuyến
đường 2).
 Thời gian chờ bằng 0: Điều này có ý nghĩa xây dựng tuyến đường tối ưu cho
BAV1122, với một lộ trình lăn không “đứt đoạn” với nhiều điểm chờ (Waiting
points), không chỉ giảm tình trạng tắc nghẽn mà còn có ý nghĩa trong việc tiết
kiệm nhiên liệu, giảm ô nhiễm môi trường.
+ Giảm chi phí nhiên liệu tiêu hao: Theo tính toán sơ bộ của các hãng hàng
không nội địa, mỗi phút tiết kiệm thời gian lăn với loại tàu bay A321 sẽ tiết
kiệm được 13,5 kg nhiên liệu/1 phút, tương đương khoảng 68$ cho mỗi phút
giảm thời gian lăn [28].
 Do đó, trong bài toán này, nếu áp dụng mô hình GNN để giải quyết cho
BAV1122, loại tàu bay A321 này sẽ lăn ít hơn so với bình thường 9.8 phút, tiết
kiệm được 132.3 kg nhiên liệu, tương đương khoảng 666.4 $.
4.4 Kiểm định mô hình
4.4.1 Thời gian lăn trung bình trên các đoạn đường lăn
 Thời gian lăn bánh trung bình của tàu bay trong mô hình được tính dựa trên công
S
thức toán học t = với dữ liệu về chiều dài quãng đường được lấy từ AIP Việt
V
Nam và đo đạc thông qua Google Earth, giá trị vận tốc được nhóm nghiên cứu
lựa chọn là 13 knots (6,7 m/s). Thời gian lăn bánh trung bình trên mỗi đoạn
đường được quy ước thể hiện trong bảng 1 ở phần 4.1.
 Để kiểm định tính chính xác về thời gian được sử dụng trong mô hình, nhóm
nghiên cứu đã tiến hành thực hiện quan sát quá trình di chuyển của tàu bay trong
khung giờ từ 08h00 – 09h00 với điều kiện di chuyển thuận tiện nhất mà không
91
phải tốn thời gian dừng chờ thông qua Flightradar24. Việc kiểm định này được
thực hiện trên các đoạn đường lăn sau theo quy ước của nhóm nghiên cứu (hình
40):
 Đường lăn V2;
 Đường lăn S5B và S5A;
 Đường lăn S53, S3;
 Đường lăn S31, S1.
* Đối với đoạn đường lăn V1, mặc dù trên sơ đồ đường lăn có thể hiện tuyến
đường này, nhưng trên thực tế, đường lăn V1 rất ít được sử dụng cho tàu bay
lăn bánh khởi hành. Đa phần các tàu bay đậu tại khu vực có đường lăn V1 đều
di chuyển ra điểm dừng chờ trước ngưỡng đường CHC bằng đường S53. Do
đó, nhóm nghiên cứu không có số liệu quan sát thực tế về thời gian lăn bánh
của tàu bay trên đoạn đường V1.
 Thông qua quá trình quan sát, thu thập và xử lý dữ liệu, nhóm nghiên cứu đã rút
ra được kết quả như sau:
 Đối với đoạn đường lăn V2
 Theo như kết quả tính toán của mô hình, tàu bay di chuyển trên đoạn đường
này trong quãng thời gian là 3 phút tương đương với 180 giây.
 Đối chiếu kết quả trên với thời gian trung bình quan sát thực tế thông qua
Flightradar24 là 4 phút tương đương với 240 giây (Biểu đồ 3), nhóm nghiên
cứu xác định tính chính xác trong việc dự đoán thời gian lăn trên đoạn V2
của mô hình là 75%.
92
Biểu đồ 3 Thời gian lăn trung bình của tàu bay trên đoạn đường V2
 Đối với đoạn đường lăn S5B

 Thời gian trung bình quan sát thực tế tàu bay di chuyển trên đoạn đường
này là 1 phút 30 giây tương đương với 90 giây (Biểu đồ 4). Kết quả tính
toán của mô hình là 1,4 phút (86 giây). Kết quả này đúng 95,66% so với kết
quả thực tế quan sát được thông qua Flightradar24.
 Đối với đoạn đường lăn S5A
 Chiều dài đoạn đường này tương đối ngắn (148m) nên thời gian di chuyển
của tàu bay trên tuyến đường này theo tính toán của mô hình là 22 giây. Kết
quả này chênh lệch 5 giây so với thời gian lăn trung bình quan sát được là
21 giây (Biểu đồ 5). Kết quả tính toán của mô hình có tính chính xác lên
đến 97,6% so với kết quả quan sát thực tế.
 Theo nhóm nghiên cứu quan sát, phần lớn tàu bay khi di chuyển qua đoạn
đường này đều đi với vận tốc khá nhanh. Nguyên nhân do đoạn đường này
là giao điểm của trục đường lăn Bắc – Nam và đường lăn V1 nên tàu bay
khi đi qua điểm này thường di chuyển nhanh để luồng giao thông trên sân
được diễn ra một cách điều hòa.
93
Biểu đồ 4 Thời gian lăn trung bình của tàu bay trên đoạn S5B
Biểu đồ 5 Thời gian lăn trung bình của tàu bay trên đoạn S5A
 Đối với đoạn đường lăn S53

 Theo quan sát của nhóm nghiên cứu, đây là đoạn đường lăn được sử dụng
nhiều nhất. Thời gian trung bình tàu bay lăn bánh trên đoạn đường này dựa
94
vào số liệu thu thập được từ Flightradar24 là 1,8 phút xấp xỉ 110 giây (Biểu
đồ 6).
 So sánh với kết quả tính toán của mô hình là 1,5 phút thì độ chính xác của
kết quả này so với thực tế là 81,81%.
Biểu đồ 6 Thời gian lăn bánh trung bình của tàu bay trên đoạn S53

 Đoạn đường này được tính từ giao điểm của S3 với đường lăn S53 đến giao
điểm của S3 với đường CHC 25L. Trên thực tế, đường lăn nay vẫn được sử
dụng cho tàu bay cất cánh từ điểm này. Tuy nhiên, số lượng các chuyến bay
cất cánh từ giữa đường CHC như vậy không nhiều. Trong bài nghiên cứu
này, nhóm tác giả vẫn lựa chọn cất cánh tại điểm S3 với mục đích mang đến
nhiều sự lựa chọn về tuyến đường di chuyển tối ưu cho tàu bay.
 Thời gian lăn trung bình tại S3 theo quan sát thực tế là 64 giây. Kết quả tính
toán của mô hình là 60 giây. Kết quả này có độ chính xác lên đến 92,77%
so với kết quả quan sát thực tế (Biểu đồ 7).
95
Biểu đồ 7 Thời gian lăn bánh trung bình của tài bay trên đoạn S3

 Tương tự giống S53, S31 cũng là đoạn đường lăn mà đa số các tàu bay đều
lăn qua đây.
 Theo như công thức của mô hình áp dụng, thời gian trung bình lăn trên
tuyến đường S31 của tàu bay là 1,2 phút tương đương với 73.1 giây (Biểu
đồ 8). Kết quả này có tính chính xác là 83% so với kết quả đo được từ thực
tế (87 giây).
 Đối với đường lăn S1
 Tất cả các tàu bay cất cánh đầu đường CHC 25L đều phải di chuyển qua
đoạn đường lăn này. Phần lớn tàu bay khi đi chuyển trên đoạn đường này
đều phải dừng chờ. Do đó, khi thực hiện xác định thời gian lăn hoàn chỉnh
của tàu bay, nhóm nghiên cứu cũng gặp nhiều khó khăn.
 Mô hình nghiên cứu xác định thời gian lăn của tuyến đường này có giá trị
trung bình là 22,4 giây. Trên thực tế, thời gian trung bình tàu bay lăn trên
tuyến đường này là 28 giây (Biểu đồ 9). Kết quả tính toán của mô hình có
độ chính xác tương đối cao với 87% so với giá trị thực tế quan sát.
96
Biểu đồ 8 Thời gian lăn trung bình của tàu bay trên đoạn S31
Biểu đồ 9 Thời gian lăn trung bình trên đoạn S1
 Như vậy, quá trình kiểm định thời gian lăn trung bình của mô hình trên mỗi đoạn
đường thông qua ứng dụng Flightradar24 đã cho nhóm nghiên cứu nhận thấy được tính
97
chính xác và độ tin cậy của mô hình. Dựa trên các giá trị % về độ chính xác của từng
đường lăn, nhóm nghiên cứu có bảng xác định độ chính xác trung bình về thời gian lăn
bánh trên toàn bộ đường lăn của mô hình như sau:
Bảng 5 Giá trị trung bình về khả năng dự đoán thời gian lăn bánh của mô hình.
Độ chính xác dự đoán

Tên đường lăn
của mô hình
V2 74.6%
S5B 95.7%
S5A 97.6%
S53 81.8%
S3 92.8%
S31 83%
S1 87%
Giá trị trung bình về khả

năng dự đoán thời gian 87%
lăn bánh của mô hình
 Với giá trị trung bình là 87%, dữ liệu của mô hình nghiên cứu có thể đảm bảo được
độ chính xác tương đối so với kết quả thực tế.
4.4.2 Thời gian dừng chờ trung bình
 Để kiểm định tính chính xác giá trị thời gian dừng chờ tính theo công thức của
mô hình, nhóm nghiên cứu đã tiến hành khảo sát trên 24 chuyến bay khởi hành từ
CHKQT Tân Sơn Nhất trong khung giờ từ 08h00 – 09h00 vào ngày 16/7/2023
thông qua Flightradar24.
98
 Nhằm đảm bảo tính đồng bộ xuyên suốt bài nghiên cứu, nhóm tác giả đã lựa
chọn khảo sát những chuyến bay xuất phát từ sân đỗ 2. Theo như quan sát của
nhóm nghiên cứu, đa số các chuyến bay xuất phát từ sân đỗ này đều di chuyển
theo tuyến đường số 2 (Sân đỗ 2 – S5B – S5A – S53 – S31 – S1 – RWY25L) và
cất cánh tại đầu đường CHC 25L.
 Thời gian dừng chờ thực tế của tàu chỉ được tính khi tàu bay bắt đầu vào hàng
chờ và kết thúc khi tàu bay này lăn lên đường CHC 25L. Số liệu về thời gian lăn
bánh của tàu bay đều được khảo sát trên các chuyến bay có quỹ đạo lăn đồng
nhất từ khi rút chèn đến khi vào hàng chờ trước ngưỡng đường CHC. Vị trí của
tàu bay trong hàng chờ sẽ quyết định đến việc thời gian chờ của tàu bay nhiều
hay ít. Sự khác biệt giữa thời gian dừng chờ thực tế và thời gian chờ tính theo mô
hình sẽ được biểu diễn trong biểu đồ 10.
Biểu đồ 10 So sánh thời gian chờ thực tế và thời gian chờ tính toán dựa trên mô
hình trong khung giờ từ 08h00 – 09h00 tại CHKQT Tân Sơn Nhất.
 Qua quá trình thu thập và xử lí số liệu, nhóm nghiên cứu đã tính toán phần trăm
chính xác của giờ dự đoán so với giá trị thực tế trên 24 chuyến bay khảo sát. Từ
99
đó, xác định phần trăm chính xác trung bình của giờ dự đoán dựa trên mô hình
(bảng 4).
Bảng 6 Giá trị phần trăm chính xác của thời gian chờ dự tính theo mô hình.
% chính xác của

Thời gian chờ
Tên gọi tàu Thời gian chờ thời gian chờ
STT tính theo mô
bay thực tế (phút) tính toán theo
hình (phút)
mô hình
1 HVN677 12.5 18 69.44%
2 HVN208 12 14 85.71%
3 HVN1835 16.9 18 93.89%
4 BAV1122 17.4 18 96.67%
5 VJC360 12 10 83.33%
6 HVN502 13.4 14 95.71%
7 HVN210 6.6 6 90.91%
8 VJ124 12.8 14 91.43%
9 HVN1827 13.1 10 76.34%
10 VJ130 8.9 10 89.00%
11 HVN1382 14.6 18 81.11%
12 HVN1272 2.5 2 80.00%
13 VGA672 1.7 2 85.00%
14 HVN1660 6.5 6 92.31%
100
15 HVN1404 7 6 85.71%
16 BAV204 10.5 10 95.24%
17 PIC6855 9.2 10 92.00%
18 VJC262 7 6 85.71%
19 HVN114 3.5 2 57.14%
20 AHK564 6.1 6 98.36%
21 BAV1122 20 22 90.91%
22 VJ122 12.5 14 89.29%
23 HVN1262 13 14 92.86%
24 PIC 6430 16 18 88.89%
% chính xác trung bình của thời gian chờ dự đoán dựa
86,96%
trên mô hình
4.4.3 Đánh giá chung
 Thông qua quá trình kiểm định kết quả tính toán của mô hình về thời gian lăn
trung bình trên các đoạn đường lăn và thời gian dừng chờ, kết quả tính chính xác
của toàn bộ mô hình là 86,98%.
 Giá trị phần trăm này tương đối cao, từ đó, nhóm nghiên cứu khẳng định được
tính chính xác và mức độ khả thi của mô hình. Nhóm nghiên cứu hy vọng với sự
hỗ trợ từ công nghệ, phần trăm chính xác của mô hình có thể gia tăng hơn nữa.
4.5 Đề xuất hướng phát triển
 Với bối cảnh nhu cầu di chuyển bằng hàng không ngày càng tăng, việc khai thác
tại sân các tàu bay hoạt động cũng trở nên đông đúc và bận rộn hơn, đặc biệt là ở
những sân bay lớn. Do đó việc triển khai áp dụng mô hình dự đoán GNN tại
101
những sân bay này là điều cần thiết để đáp ứng lưu lượng tàu bay lớn và góp
phần gia tăng tính hiệu quả của mô hình A – CDM.
 Với những tính năng thuật toán nổi trội của GNN trong việc dự đoán, thì song
song đó vẫn còn tồn tại những hạn chế. GNN có thể không thể phân biệt hoàn
hảo bất kỳ đồ thị nào trong tất cả mọi trường hợp, tức việc nhận dạng dữ liệu
biểu đồ đầu vào có thể bị hiểu lầm, bị phân loại và tích hợp sai do số lượng lớn
dữ liệu nhập vào. Để hướng tới tương lai với tiềm năng triển khai rộng rãi mô
hình hơn, cần đặc biệt quan tâm và khắc phục điểm yếu các thuật toán nhận dạng,
nhằm cải thiện và giảm thiểu tối đa yếu tố sai lệch biểu đồ, đảm bảo khai thác
hiệu quả tính năng của mô hình.
 Trên khuôn khổ mô hình đã nghiên cứu và thực hiện áp dụng trong khu vực trách
nhiệm kiểm soát tại sân, nhóm tác giả nhận thấy tiềm năng của GNN áp dụng
trong không phận đường dài là hoàn toàn có khả thi. Với mục đích lựa chọn ra
tuyến đường bay tối ưu nhất dựa trên nguyên lí mô hình hóa “nút” và “cạnh”,
giúp quãng đường di chuyển được rút ngắn mà từ đó dẫn đến những hiệu ứng
tích cực đóng góp vào việc khai thác tối đa công suất vùng trời, giảm thiểu tình
trạng tiêu thụ nhiên liệu và hạn chế khí thải vào môi trường.
4.6 Tiểu kết chương
4.6.1 Tổng kết đánh giá
Cuối cùng, sau khi triển khai áp dụng và kiểm định đánh giá mô hình, nhóm
nghiên cứu nhận thấy mô hình GNN là một lựa chọn đúng đắn trong việc tối ưu hóa
thời gian lăn bánh của tàu bay. Mô hình này đã mang lại những kết quả đáng ngờ trong
việc giảm thời gian dừng chờ của tàu bay, giải phóng các đường lăn, giảm tình trạng
tắc nghẽn trên các đường lăn. Ngoài ra, việc lăn bánh với một quỹ đạo tối ưu không có
điểm dừng chờ, giúp tàu bay tiết kiệm được một lượng lớn nhiên liêu tiêu thụ. Từ đó,
mang lại những lợi ích về mặt kinh tế cho các nhà khai thác và đem lại những trải
nghiệm tốt hơn cho hành khách.
102
4.6.2 Những khó khăn còn tồn tại
Trong quá trình thực hiện nghiên cứu, nhóm tác giả cũng đã nhận thấy một vài
khó khăn và những vấn đề còn tồn đọng dưới đây:
 Nhóm tác giả nhận thấy, mô hình GNN sẽ phát huy tốt và cho ra kết quả chính
xác hơn nếu có thể sử dụng thuật toán hồi quy để xác định các giá trị dữ liệu đầu
vào. Tuy nhiên, do kiến thức toán học còn hạn chế và thời gian thực hiện nghiên
cứu có hạn, nhóm nghiên cứu chỉ có thể xác định các giá trị dữ liệu đầu vào bằng
cách tính giá trị trung bình. Do đó, kết quả của mô hình vẫn còn tồn tại sai số
đáng kể.
 Mặc dù đã cố gắng tìm hiểu và chắt lọc số liệu về chiều dài của các đường băng
trong AIP Việt Nam, tuy nhiên, những giá trị đường lăn mà nhóm nghiên cứu cần
tìm vẫn chưa được công bố chính xác. Do đó, nhóm nghiên cứu chỉ có thể đo đạc
chiều dài đường lăn cần tìm thông qua Google Earth. Vậy nên cũng có một vài
sai số nhất định trong kết quả chiều dài đường lăn.
 Trong quá trình thực hiện tìm kiếm số liệu phục vụ cho mục “Kiểm định mô
hình”, các nguồn tài liệu về thời gian lăn trung bình trên các đoạn đường lăn và
thời gian dừng chờ của các tàu bay là vô cùng khan hiếm. Do lưu lượng tàu bay
di chuyển trên bề mặt sân đỗ tại CHKQT Tân Sơn Nhất là rất lớn nên khả năng
lưu trữ dữ liệu về thời gian lăn bánh và dừng chờ của từng chuyến bay là vô cùng
hạn chế.
 Để thu thập các số liệu về thời gian lăn bánh dừng chờ của tàu bay, nhóm nghiên
cứu chỉ có thể quan sát thông qua một ứng dụng duy nhất là Flightradar24. Do
đó, mức độ chính xác của các mốc thời gian quan sát được vẫn chưa được kiểm
định. Ngoài ra, trong quá trình quan sát, một vài các giá trị cần tính như vận tốc
di chuyển trên các đoạn đường lăn của tàu bay hoặc vị trí của tàu bay chưa được
hiển thị đúng. Dẫn đến, nhóm nghiên cứu gặp nhiều khó khăn trong việc xác định
thời gian lăn của tàu bay tại các đoạn đường lăn và giá trị vận tốc trung bình.
 Hiện nay, mô hình GNN chưa được triển khai áp dụng tại Việt Nam, do đó,
nhóm nghiên cứu cũng tốn nhiều thời gian trong việc xác định các nguồn dữ liệu
103
cần thu thập. Bên cạnh đó, nhóm nghiên cứu cũng nhận thấy mô hình chưa có
tính ứng dụng vào khai thác cao do để thuận tiện cho việc nghiên cứu nên một
vài yếu tố quan trọng ảnh hưởng đến thời gian lăn bánh đã được giả định.
Tuy còn tồn đọng một vài khó khăn như trên, nhóm nghiên cứu cũng đã rất cố
gắng và nỗ lực trong việc tìm kiếm, chọn lọc, thu thập và xử lý số liệu cũng như
chắt lọc những nhận định, đánh giá để đưa ra được kết quả khách quan và phù hợp
nhất trong bài nghiên cứu này.
104
CHƯƠNG 05: TỔNG KẾT
Đối với nhu cầu vận chuyển và đi lại ngày một tăng của ngành hàng không, việc
cân bằng giữa nhu cầu và năng lực sẵn có luôn là bài toán khó đối với các nhà chức
trách. Tính đến thời điểm hiện tại, đã có rất nhiều những biện pháp đề ra nhằm giảm
thiểu tối đa sự chậm trễ của các chuyến bay. Theo một vài nghiên cứu, nguyên nhân
gây ra sự chậm trễ đến từ việc dự đoán thời gian lăn bánh khởi hành của tàu bay. Do
đó, cải thiện việc dự đoán và tối ưu hóa thời gian lăn bánh sẽ mang đến một quỹ đạo di
chuyển tốt hơn cho tàu bay và thúc đẩy việc quản lý luồng không lưu điều hòa và hiệu
quả. Chính vì những lí do đó mà nhóm nghiên cứu quyết định lựa chọn nghiên cứu về
chủ đề này.
Thông qua quá trình nghiên cứu và tìm hiểu về việc tối ưu hóa thời gian lăn bánh
của tàu bay, nhóm nghiên cứu đã nhận thức được tầm quan trọng của thời gian lăn
bánh trong việc triển khai áp dụng thực hiện A – CDM. Việc tính toán và rút ngắn thời
gian lăn bánh của tàu bay giúp giảm sự tắc nghẽn tại khu vực dừng chờ trước ngưỡng
đường cất hạ cánh. Trong bài nghiên cứu này, nhóm nghiên cứu lựa chọn áp dụng mô
hình Graph Neural Network vào việc tối ưu hóa thời gian lăn bánh của tàu bay thông
qua việc xác định và lựa chọn ra quỹ đạo di chuyển phù hợp nhất phụ thuộc vào tình
hình giao thông tại một thời điểm nhất định. Nguồn dữ liệu chính được sử dụng cho
bài nghiên cứu này được lấy từ tập thông báo tin tức hàng không AIP, Flightradar24 và
Google Earth cùng với các nguồn tài liệu tham khảo chính thống khác.
Kết quả nghiên cứu bước đầu đã giải quyết được tình trạng tắc nghẽn tại một thời
điểm xác định. Các thông số dữ liệu của mô hình nghiên cứu có tính xác tương đối cao
so với thực tế quan sát thông qua Flightradar24. Tuy nhiên, vì dữ liệu thu thập thông
qua một dịch vụ dựa trên nền tảng Internet nên các yếu tố về lưu lượng người truy cập,
tín hiệu kết nối cũng là một trong những nguyên nhân ảnh hưởng đến tính chính xác
của dữ liệu. Ngoài ra, trong quá trình thực hiện, để thuận tiện và phù hợp với khả năng
nghiên cứu của nhóm tác giả, một vài yếu tố ảnh hưởng đến thời gian lăn bánh được
giả định nên nếu triển khai áp dụng vào thực tế, mô hình này cần phải hiệu chỉnh để
thích nghi với các điều kiện ngoại cảnh khác.
105
Hiện nay, mô hình GNN là một trong những phương pháp tối ưu hóa thời gian
lăn bánh với độ chính xác vượt trội so với các mô hình dự đoán khác. Mô hình này
không chỉ được dùng trong ngành hàng không mà còn sử dụng trong lĩnh vực giao
thông đường bộ. Đối với lĩnh vực hàng không nói riêng, trong tương lai, nhóm nghiên
cứu hy vọng mô hình này không chỉ dừng lại ở việc xác định tuyến đường lăn tối ưu
mà phát triển hơn nhằm xác định tuyến đường bay hiệu quả nhất trên không phận
đường dài.
106
KẾT LUẬN
Đồ án môn học 2 được thực hiện đã đi qua những giá trị cơ bản nhất của 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”
thông qua 04 chương mục:
 Chương 1: Giới thiệu tổng quan;

 Chương 2: Cơ sở nghiên cứu về các mô hình tối ưu hóa thời gian lăn bánh của
tàu bay;
 Chương 3: Mô hình Graph Neural Network trong việc tối ưu hóa thời gian lăn
bánh của tàu bay;
 Chương 4: Khảo sát 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.
Trên cơ sở nội dung đã đề cập trong bài báo cáo, có thể thấy việc dự đoán thời
gian lăn của tàu bay là yếu tố có ý nghĩa đặc biệt quan trọng đối với hoạt động tại sân.
Bằng cách này hay cách khác, việc dự đoán thời gian lăn cho các chuyến khởi hành
giúp điều hòa, giảm tỉ lệ hoãn chuyến, thúc đẩy luồng giao thông di chuyển bề mặt, từ
đó có thể đạt được hiệu quả khai thác cao, đặc biệt tại các sân bay lớn nơi có tổ hợp
các đường lăn, đường băng phức tạp.
Từ việc thu thập, tiếp nhận và phân tích các nghiên cứu về mô hình dự đoán thời
gian lăn bánh đã được thực hiện trên thế giới, nhóm tác giả đã rút ra được những ưu
điểm và nhược điểm của các mô hình này, để từ đó có được cái nhìn tổng quan nhất
vào vấn đề, rút ra và điều chỉnh mô hình phù hợp với thực trạng tại CHKQT Tân Sơn
Nhất bằng cách sử dụng khung Mạng nơ-ron đồ thị (GNN), qua đó mỗi quỹ đạo có thể
được biểu diễn dưới dạng đồ thị và mối quan hệ tương quan, cùng với đó các hoạt
động tích chập được thực hiện trên biểu đồ này để trích xuất các tính năng có ý nghĩa
trong việc đề xuất dự đoán. Điều này không chỉ giúp cho việc khai thác tại sân linh
hoạt và hiệu quả hơn, giảm thời gian trì hoãn, tiết kiệm ngân sách các hãng mà còn
giúp cho việc phối hợp ra quyết định tại sân bay giữa các bên liên quan thêm phần hiệu
107
quả. Bên cạnh đó, qua quá trình thực hiện khảo sát mô hình trên tại CHKQT Tân Sơn
Nhất, nhóm đã có cơ hội tiếp nhận những kiến thức mới, biết được tình hình thực tế tại
sân bay và qua đó có cái nhìn trực diện hơn về những vấn đề liên quan về hoạt động
khai thác, và xa hơn cả những giá trị hiện tại, hi vọng trong tương lai gần, mô hình
mạng lưới nơ-ron dự đoán thời gian lăn sẽ có cơ hội được triển khai nhằm hỗ trợ khai
thác hoạt động tàu bay linh hoạt và công suất sân bay được cải thiện đáng kể.
Một lần nữa, nhóm chúng em xin chân thành cảm ơn sự hướng dẫn tận tình và
chu đáo đến từ giảng viên học phần Đồ án môn học 2 - Cô Hồ Thị Vũ Hiền đã hỗ trợ
nhóm trong suốt quá trình làm đồ án môn học. Bên cạnh đó là các trang thông tin điện
tử, tài liệu mềm và các đơn vị cung cấp những tài liệu khai thác mà nhóm sử dụng đã
tạo điều kiện để cho nhóm nghiên cứu và hoàn thành bài báo cáo một cách tốt nhất.
108
DANH MC TÀI LIU THAM KHO
[1] “Thời Gian,” Wikipedia, [Trực tuyến]. Available:

https://vi.wikipedia.org/wiki/Thoi_gian. [Đã truy cập 21 6 2023].
[2] “Thông tư Quy định chi tiết về khai thác cảng hàng không, sân bay,” [Trực
tuyến]. Available:
https://thuvienphapluat.vn/van-ban/Giao-thong-Van-tai/Thong-tu-29-2021-TT-
BGTVT-huong-dan-quan-ly-khai-thac-cang-hang-khong-san-bay. [Đã truy cập
27 6 2023].
[3] ACV, “Phối hợp ra quyết định tại sân bay A-CDM (Airport Collaborative
Decision Making),” [Trực tuyến]. Available:
https://www.vietnamairport.vn/tansonnhatairport/vi/tin-tuc/tin-tuc-su-kien-2/
phoi-hop-ra-quyet-dinh-tai-san-bay-a-cdm-airport-collaborative-decision-
making. [Đã truy cập 15 6 2023].
[4] VATM, “Phối hợp ra quyết định khai thác tại sân bay (A-CDM) và tích hợp
ATFM-ACDM tại Thái Lan,” 25 11 2020. [Trực tuyến]. Available:
https://vatm.vn/phoi-hop-ra-quyet-dinh-khai-thac-tai-san-bay-a-cdm-va-tich-
hop-atfm-acdm-tai-thai-lan. [Đã truy cập 25 5 2023].
[5] ACV, “Dự án triển khai mô hình Phối hợp ra quyết định tại Cảng hàng không
sân bay Việt Nam (ACDM),” [Trực tuyến]. Available:
https://www.vietnamairport.vn/tin-tuc/acdm/du-an-trien-khai-mo-hinh-phoi-hop-
ra-quyet-dinh-tai-cang-hang-khong-san-bay-viet-nam-acdm. [Đã truy cập 1 7
2023].
[6] B. Đ. t. C. phủ, “Triển khai mô hình A-CDM mang trải nghiệm bay tốt hơn cho
hành khách,” [Trực tuyến]. Available: https://baochinhphu.vn/trien-khai-mo-
hinh-a-cdm-mang-trai-nghiem-bay-tot-hon-cho-hanh-khach. [Đã truy cập 27 6
2023].
[7] D.-T. P. S. A. V. D. Thanh-Nam Tran∗, “Taxi-speed Prediction by Spatio-
TemporalGraph-based Trajectory Representation and ItsApplications,” 7 2020.
[Trực tuyến]. Available:
https://www.researchgate.net/publication/342706899_Taxi-
speed_Prediction_by_Spatio-Temporal_Graph-
based_Trajectory_Representation_and_Its_Applications. [Đã truy cập 29 5
2023].
[8] M. Gangel, “Atlanta Runway Layout,” [Trực tuyến]. Available:
https://www.researchgate.net/figure/Atlanta-Runway-Layout_fig1_4082754, .
[Đã truy cập 28 6 2023].
109
[9] B. Q. BAO, “G2SAT – LEARNING TO GENERATE SAT FORMULAS,”
[Trực tuyến]. Available: https://narutokudo.wordpress.com/category/graph-
neural-network/. [Đã truy cập 3 7 2023].
[10] F. T. ,. N. L. S. A. Yixiang Lim†, “Variable Taxi-Out Time PredictionUsing
Graph Neural Networks,” 12 2021. [Trực tuyến]. Available:
https://www.researchgate.net/publication/356959049_Variable_Taxi-
Out_Time_Prediction_Using_Graph_Neural_Networks. [Đã truy cập 29 5
2023].
[11] Q. W. Yu Zhang, “Methods for determining unimpeded aircraft taxiing time and
evaluating airport taxiing performance,” [Trực tuyến]. Available:
https://www.semanticscholar.org/paper/Methods-for-determining-unimpeded-
aircraft-taxiing-Zhang-Wang. [Đã truy cập 2 7 2023].
[12] “Improving Departure Taxi Time Predictions Using ASDE-X Surveillance
Data,” [Trực tuyến]. Available:
https://www.mitre.org/sites/default/files/pdf/11_0194.pdf. [Đã truy cập 28 5
2023].
[13] “John F. Kennedy Airport,” [Trực tuyến]. Available:
https://www.airnav.com/airport/kjfk. [Đã truy cập 2 6 2023].
[14] R. T. P. U. L. Patricia C. Glaab, “Analysis of the Capacity Potential of Current
Day and Novel Runway Configurations for New York’s John F. Kennedy
Airport,” 6 2016. [Trực tuyến]. Available:
https://www.researchgate.net/publication/303907211_Analysis_of_the_Capacity
_Potential_of_Current_Day_and_Novel_Runway_Configurations_for_New_Yor
k%27s_John_F_Kennedy_Airport. [Đã truy cập 3 6 2023].
[15] “Hồi quy tuyến tính là gì?,” [Trực tuyến]. Available:
https://meeyland.com/chuyen-doi-so/hoi-quy-tuyen-tinh-la-gi-phan-loai-phuong-
trinh-vi-du-va-cac-gia-dinh/. [Đã truy cập 4 6 2023].
[16] FAA, “Airport Surface Detection Equipment Model X (ASDE - X),” [Trực
tuyến]. Available: https://www.faa.gov/newsroom/airport-surface-detection-
equipment-model-x-asde-x-. [Đã truy cập 29 6 2023].
[17] ICAO, “Air Traffic Management - Doc 4444”.
[18] EUROCONTROL, “EUROCONTROL Specification for Advanced-Surface
Movement Guidance and Control System (A-SMGCS) Services,” 2020.
110
[19] “Sân bay quốc tế Tân Sơn Nhất - Một trong ba sân bay quốc tế lớn nhất tại Việt
Nam,” [Trực tuyến]. Available: https://diachiamthuc.vn/san-bay-quoc-te-tan-
son-nhat. [Đã truy cập 13 6 2023].
[20] VnExpress, “Mở rộng TSN: Không lo thiếu tiền, chỉ sợ thiếu cơ chế,” 19 3 2019.
[Trực tuyến]. Available: https://vnexpress.net/mo-rong-tan-son-nhat-khong-lo-
thieu-tien-chi-so-thieu-co-che. [Đã truy cập 15 6 2023].
[21] H. Mai, “Mới chớm hè đã ám ảnh máy bay delay,” [Trực tuyến]. Available:
https://thanhnien.vn/moi-chom-he-da-am-anh-may-bay-delay-. [Đã truy cập 20 6
2023].
[22] “15 tàu bay xếp hàng chờ cất cánh rời TSN ngày giáp tết,” 19 1 2020. [Trực
tuyến]. Available: https://vietnammoi.vn/15-tau-bay-xep-hang-cho-cat-canh-roi-
tan-son-nhat-ngay-giap-tet. [Đã truy cập 17 6 2023].
[23] V. Finance, “Sân bay TSN tắc nghẽn vì quá tải từ bầu trời đến đường băng,”
[Trực tuyến]. Available: https://vnfinance.vn/san-bay-tan-son-nhat-tac-nghen-
va-qua-tai-tu-bau-troi-den-san-bang. [Đã truy cập 13 6 2023].
[24] A. V. Nam. [Trực tuyến]. Available: ,
http://khongluuvietnam.com/wp-content/uploads/2015/09/AD-2.VVTS_.pdf.
[Đã truy cập 17 6 2023].
[25] H. Mai, “Sài Gòn đón mùa mưa hàng không vào mùa delay,” [Trực tuyến].
Available: https://thanhnien.vn/sai-gon-don-mua-mua-hang-khong-vao-mua-
delay-. [Đã truy cập 13 6 2023].
[26] M. Zhang, ““Multi-Objective Optimization of Aircraft Taxiing on the Airport
Surface with Consideration to Taxiing Conflicts and the Airport Environment”,”
11 2019. [Trực tuyến]. Available:
https://www.researchgate.net/publication/337580104_Multi-
Objective_Optimization_of_Aircraft_Taxiing_on_the_Airport_Surface_with_Co
nsideration_to_Taxiing_Conflicts_and_the_Airport_Environment. [Đã truy cập
25 6 2023].
[27] Quy chế bay trong khu vực sân bay Tân Sơn Nhất.
[28] Aerocorner, “Boeing 747 - 8,” [Trực tuyến]. Available:
https://aerocorner.com/aircraft/boeing-747-8/#aircraft-specifications. [Đã truy
cập 25 6 2023].
[29] CAAV, “ESUP22,” [Trực tuyến]. Available: tO4RPq-esup-22-a30-
approvedbycaav.pdf. [Đã truy cập 26 6 2023].
111
[30] B. G. T. V. Tải, “Quyết định 1763 Nâng cao năng lực khai thác sân bay Tân Sơn
Nhất,” [Trực tuyến]. Available: https://thuvienphapluat.vn/van-ban/Giao-thong-
Van-tai/Quyet-dinh-1763-QD-CHK-2022-nang-cao-nang-luc-khai-thac-san-bay-
Tan-Son-Nhat-547368.aspx. [Đã truy cập 27 6 2023].
[31] N. Tuyền, “Sân bay TSN tắc nghẽn vì cứ 1,5 phút lại có một chuyến bay cất, hạ
cánh,” [Trực tuyến]. Available: https://www.anninhthudo.vn/san-bay-tan-son-
nhat-tac-nghen-vi-cu-15-phut-lai-co-mot-chuyen-bay-cat-ha-canh-. [Đã truy cập
17 6 2023].
[32] B. c. phủ, “Chỉ số bay đúng giờ Nội Bài đạt 94% khi thử nghiệm mô hình A -
CDM,” 6 4 2023. [Trực tuyến]. Available: https://baochinhphu.vn/chi-so-bay-
dung-gio-tai-noi-bai-dat-94-khi-thu-nghiem-mo-hinh-a-cdm. [Đã truy cập 23 6
2023].
[33] EUROCONTROL, “Airport Surface Detection Equipment Model X (ASDE -
X),” [Trực tuyến]. Available: https://www.skybrary.aero/articles/airport-surface-
detection-equipment-model-x-asde-x. [Đã truy cập 27 6 2023].
112

BÁO CÁO ĐỒ ÁN MÔN HỌC

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

BÁO CÁO ĐỒ ÁN MÔN HỌC

Uploaded by

Copyright:

Available Formats

HỌC VIỆN HÀNG KHÔNG VIỆT NAM

KHOA KHAI THÁC HÀNG KHÔNG

BÁO CÁO ĐỒ ÁN MÔN HỌC

BÁO CÁO ĐỒ ÁN MÔN HỌC

(ký và ghi họ tên)

Nguyễn Thị Minh Ngọc

STT Họ và tên Phân công nhiệm vụ

- Đóng góp ý tưởng xây dựng bố cục.

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Thu thập dữ liệu khảo sát và xử lý số liệu Chương 04

- Đóng góp ý tưởng xây dựng bố cục.

2 Hồ Nhật Bình - Tổng hợp và chỉnh sửa phần viết tắt.

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1, mục

- Thu thập dữ liệu khảo sát Chương 4 mục 4.4.1, mục

- Đóng góp ý tưởng xây dựng bố cục.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và

- Đóng góp ý tưởng xây dựng bố cục.

5 Trương Hoàng Phúc - Hoàn thành nội dung phần Mở đầu.

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và

- Cùng đóng góp, chỉnh sửa hoàn chỉnh bài đồ án.

- Đóng góp ý tưởng xây dựng bố cục.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và xử

- Đóng góp ý tưởng xây dựng bố cục.

- Cùng đóng góp, chỉnh sửa hoàn chỉnh tiểu luận.

- Thu thập dữ liệu khảo sát Chương 04 mục 4.4.1 và

Nguyễn Thị Minh Ngọc

Ngày …. tháng …. năm ….

Giảng viên hướng dẫn

(ký và ghi họ tên)

LỜI CAM ĐOAN............................................................................................................ii

PHÂN CÔNG NHIỆM VỤ TỪNG THÀNH VIÊN......................................................iii

NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN........................................................vi

DANH MỤC BẢNG BIỂU.............................................................................................x

DANH MỤC HÌNH ẢNH..............................................................................................xi

KÝ HIỆU VIẾT TẮT...................................................................................................xiv

CHƯƠNG 01: GIỚI THIỆU TỔNG QUAN...................................................................3

1.1 Giới thiệu tổng quan về đề tài...............................................................................3

1.1.1 Lý do chọn đề tài............................................................................................3

1.1.2 Tính cấp thiết của đề tài nghiên cứu...............................................................3

1.1.3 Phạm vi và đối tượng nghiên cứu...................................................................4

1.1.4 Phương pháp nghiên cứu................................................................................4

1.1.5 Ý nghĩa của đề tài nghiên cứu........................................................................5

1.2 Tổng quan Thời gian tàu bay lăn bánh..................................................................5

1.2.1 Đường lăn.......................................................................................................5

1.2.2 Thời gian lăn..................................................................................................7

1.2.3 Thời gian lăn tối ưu........................................................................................8

CHƯƠNG 02: CƠ SỞ NGHIÊN CỨU VỀ CÁC MÔ HÌNH TỐI ƯU HÓA THỜI

2.2.1 Nguyên lý cốt lõi của 2 mô hình nghiên cứu...............................................33

2.2.2 Các yếu tố đánh giá mô hình........................................................................34

2.2.3 Đánh giá lựa chọn mô hình..........................................................................36

CHƯƠNG 03: MÔ HÌNH GRAPH NEURAL NETWORK TRONG VIỆC TỐI ƯU

3.1 Mô hình Graph Neural Network.........................................................................38

3.1.1 Tổng quan về mô hình Graph Neural Network............................................38

3.1.2 Đặc tính của mô hình Graph Neural Networks............................................39

4.1.2 Các yếu tố ảnh hưởng...................................................................................66

4.1.3 Áp dụng mô hình GNN tại CHKQT Tân Sơn Nhất.....................................69

4.2.1 Các giả thuyết của bài toán..........................................................................81

4.2.2 Bài toán thực tế áp dụng mô hình GNN.......................................................82

4.3 Kết quả nghiên cứu..............................................................................................87

4.4 Kiểm định mô hình..............................................................................................89

4.4.2 Thời gian dừng chờ trung bình.....................................................................96