Summary: En viktig uppgift för en flygledare är att proaktivt undvika ineffektivitet genom att undersöka situationer i luftrummet. I tätare områden är det svårt att extrapolera en framtida situation, särskilt när flygplanets hastighetsvariationer är osäkra (t.ex. på grund av väderförhållanden). För att förhindra att flygledare når sin arbetsbelastningsgräns följs vanligtvis två primära strategier. 1) modifiera färdplaner inom fasta sektorsgränser för att säkerställa att trafikkomplexiteten förblir inom de säkra arbetsbelastningsgränserna för flygledare. 2) Tilldela ytterligare flygledare till sektorer som överskrider trafikgränserna. Båda strategierna står inför utmaningar eftersom oförutsägbara väderförhållanden och flygbolagens schemaläggningsbegränsningar gör det svårt att ändra färdplanen. Dessutom komplicerar snabba trafikupptrappningar att förutsäga hur många flygledare som krävs för en specifik sektor. För att stödja sådana kritiska beslutsfattande tillstånd, föreslår vi i detta projekt design av ett avancerat beslutsstödsverktyg som inte bara hjälper komplexitetshanterare att snabbt identifiera och omplanera problematiska flygningar utan också hjälper till att förutsäga sektorns komplexitet och förbättra personalplaneringen. I detta projekt, för att ta itu med flygledares kognitiva belastning och uppnå en högre TRL-nivå, föreslår vi följande förbättringar av det befintliga verktyget. 1. Samtidig jämförelse av olika sektorkonfigurationer för hela det svenska luftrummet så att flygledare kan hitta den optimala konfigurationen för en komplex situation. 2. Utveckla geometrisk analys av relativa rörelser av intressanta områden som väder till den aktuella algoritmen. Detta ökar prediktions noggrannheten och utökar verktygets användbarhet till mer komplexa vädersituationer. 3. Att lyfta fram det flygplan som bidrar mest till komplexiteten. 4. Föreslå vilket flygplan som bör väljas och försenas. Detta gör det möjligt för operatörer att väga in vilken strategi som är mer hållbar. 5. Studera hur man kan förbättra gränssnittet människa-maskin (HMI) för operatörer. 6. Längre förutsägelsetider för att underlätta personalplaneringen. 7. Använd data från verkligheten för att möjliggöra utvärderingar och öka operatörernas förtroende för algoritmens noggrannhet.Summary: An essential task of an air traffic controller (ATCO) is to proactively avoid inefficiencies by examining developing situations in the airspace. In denser areas, extrapolating a future situation is challenging, especially when aircraft speed variations are uncertain (e.g. due to weather conditions). To prevent ATCOs reach their workload limit two primary strategies are usually followed. 1) modifying flight plans within fixed sector boundaries to ensure that the traffic complexity remains within the safe workload limits for ATCOs. 2) Allocating additional ATCOs to sectors exceeding traffic limits. Both strategies face challenges as unpredictable weather conditions and airline scheduling constraints make flight plan modifications difficult. Moreover, rapid traffic escalations complicate prediction of how many ATCOs are required for a specific sector. To support such critical decision-making states, in this project we propose the design of an advanced decision support tool which not only assist complexity managers in quickly identifying and rescheduling problematic flights but also aid in predicting sector complexity and improving staff management planning. In this project, to address ATCOs cognitive load and achieve a higher TRL level, we propose the following enhancements to the existing tool. 1. Simultaneous comparison of various sector configurations for the entire Swedish airspace to allow ATCOs find the optimal configuration for a complex situation. 2. Develop geometrical analysis of relative movement of areas of interest such as weather into the current algorithm. This increases the prediction accuracy and extends the usability of the tool to more complex weather situations. 3. Highlighting the aircraft that contribute the most to complexity. 4. Suggesting which aircraft must be selected and delayed. This enables operators to weigh in which strategy is more viable. 5. Study how to improve the human-machine interface (HMI) for operators. 6. Longer prediction times to facilitate staff planning. 7. Use real life data to enable high-fidelity evaluations and increase operators’ trust in the algorithm’s accuracy.