تواجه إدارة الحركة الجوية العالمية (ATM) تحديات غير مسبوقة مع تزايد كثافة الرحلات في المجالات الجوية الضيقة. تعتمد الأنظمة التقليدية على المراقبة البشرية المدعومة بالرادارات، وهي آلية قد تواجه صعوبات عند التعامل مع التغيرات المفاجئة في الطقس أو تراكم الرحلات. هنا يأتي دور علوم الحاسب عبر توظيف الشبكات العصبية المتكررة، وتحديداً معمارية الذاكرة طويلة قصيرة المدى (LSTM)، المصممة خصيصاً للتعامل مع البيانات المتسلسلة والزمنية. آلية العمل البرمجية: تتغذى خوارزميات LSTM على كميات كبيرة من البيانات التاريخية والفورية، والتي تشمل: - مسارات الطيران السابقة ومعدلات التأخير. - التنبؤات الجوية المتغيرة وحركة الرياح. - خطط الطيران الحالية وجداول الإقلاع والهبوط. تقوم الشبكة البرمجية بمعالجة هذه المدخلات للتنبؤ بالاختناقات الجوية المحتملة قبل حدوثها، وقد تصل مدة التنبؤ إلى ساعتين بحسب النظام والبيانات المتاحة. ولا تكتفي الخوارزمية برصد المشكلة، بل يمكنها اقتراح مسارات بديلة وسرعات محسّنة للطائرات، ثم عرض هذه التوصيات على المراقبين الجويين لاتخاذ القرارات المناسبة. النتيجة والتأثير: يمكن أن تسهم هذه الأنظمة في تقليل فترات الانتظار في الأجواء وتحسين انسيابية الحركة الجوية، إلا أن نسبة التحسن تعتمد على ظروف التشغيل ودقة البيانات وكفاءة النموذج المستخدم. ويساعد تحسين المسارات وتقليل الانتظار على خفض استهلاك الوقود والانبعاثات الكربونية، مما يدعم تطوير أنظمة إدارة حركة جوية أكثر ذكاءً وكفاءةً واستدامة.