Interpretable AI-enhanced multi-criteria decision-making for time-critical emergency applications with a practical application to dynamic alternate airport selection in aviation

Abstract

Time-critical decision making in emergency situations poses significant chal- lenges for both humans and traditional multi-criteria decision-making methods. Under such demanding conditions, supporting human decision makers with tools that structure information and reduce cognitive burden is both beneficial and prudent. This thesis addresses this challenge by introducing the ExACT- MCDM methodology, a framework that integrates artificial intelligence with multi-criteria decision-making concepts to support high-stakes decisions in en- vironments where human operators remain responsible and actively involved in the emergency scenario. The proposed methodology reformulates emergency, time-critical multi-criteria decision-making problems as supervised ranking tasks, enabling the use of ma- chine learning models that preserve the structure of options and attributes while providing rapid, context-aware recommendations. To address the scarcity of real emergency data, a synthetic scenario generation and labeling process was developed, incorporating expert knowledge through structured scoring func- tions with hard and soft constraints. Robustness was achieved by simulating realistic variability in contextual factors and maintaining their interdependen- cies, resulting in datasets that reflect the uncertainty inherent in real emergency operations. The methodology was applied to the dynamic alternate-airport selection prob- lem, a representative aviation emergency scenario in which pilots must select a diversion airport under dynamic and unfamiliar conditions. Experiments were conducted using both classification and ranking formulations across a range of models. The results indicated that ranking was better suited to the structure of the problem and more consistent with real decision-making processes, where the goal is to order feasible alternatives rather than output a single preferred choice. Interpretability and explainability were incorporated throughout the process using inherently interpretable models, structured feature contributions, and model-agnostic tools such as SHAP, with the aim of helping stakeholders maintain oversight of why recommendations are made. The results demonstrate the potential that artificial intelligence has to en- hance multi-criteria decision making and provide fast, context-sensitive, and transparent decision support suitable for emergency situations while preserv- ing the responsibility and authority of human decision makers. Aside from the ExACT-MCDM methodology, this thesis contributes a scalable benchmark that advances understanding of the dynamic alternate-airport selection prob- lem and provides guidance for integrating such models into operational systems. Together, these contributions demonstrate how artificial intelligence can mean- ingfully augment decision making in complex, unpredictable, and high-stakes environments, including cockpit decision-support tools such as the Intelligent Pilot Advisory System under development at the German Aerospace Center.

Die zeitkritische Entscheidungsfindung in Notfallsituationen stellt sowohl für Menschen als auch für traditionelle Methoden der multikriteriellen Entschei- dungsfindung eine erhebliche Herausforderung dar. Unter solchen anspruchsvollen Bedingungen ist es sinnvoll und vorteilhaft, menschliche Entscheider durch Werkzeuge zu unterstützen, die Informationen strukturieren und die kogni- tive Belastung reduzieren. Diese Dissertation begegnet dieser Herausforderung durch die Einführung der ExACT-MCDM-Methodik, eines Rahmens, der kün- stliche Intelligenz mit Konzepten der multikriteriellen Entscheidungsfindung verbindet, um Entscheidungen mit hohen Risiken in Situationen zu unter- stützen, in denen menschliche Akteure weiterhin verantwortlich sind und aktiv im Notfallszenario eingebunden bleiben. Die vorgeschlagene Methodik reformuliert atypische, zeitkritische multikriterielle Entscheidungsprobleme als überwachtes Ranking-Problem und ermöglicht so den Einsatz von Modellen des maschinellen Lernens, die die Struktur von Op- tionen und Attributen bewahren und gleichzeitig schnelle, kontextabhängige Empfehlungen liefern. Um dem Mangel an realen Notfalldaten zu begegnen, wurde ein Verfahren zur synthetischen Szenariogenerierung und -kennzeichnung entwickelt, das Expertenwissen über strukturierte Bewertungsfunktionen mit harten und weichen Nebenbedingungen integriert. Die Robustheit der Daten wurde durch die Simulation realistischer Variabilität kontextueller Faktoren und die Berücksichtigung ihrer gegenseitigen Abhängigkeiten erreicht, sodass Datensätze entstehen, die die Unsicherheiten realer Notfalloperationen wider- spiegeln. Die Methodik wurde auf das Problem der dynamischen Auswahl eines Auswe- ichflughafens angewendet – ein repräsentatives Notfallszenario in der Luftfahrt, bei dem Piloten unter dynamischen und potenziell ungewohnten Bedingungen einen geeigneten Ausweichflugplatz bestimmen müssen. Experimente, in de- nen Klassifikations- und Ranking-Formulierungen über verschiedene Modelle hinweg untersucht wurden, zeigten, dass der Ranking-Ansatz besser zur Struk- tur des Problems passt und näher an realen Entscheidungsprozessen liegt, bei denen mehrere machbare Alternativen geordnet werden müssen, anstatt auss- chließlich eine einzige Option vorherzusagen. Interpretierbarkeit und Erklär- barkeit wurden durch den Einsatz inhärent transparenter Modelle, strukturi- erter Beitragsanalysen und modellunabhängiger Werkzeuge wie SHAP über den gesamten Prozess hinweg integriert, um Beteiligten ein Verständnis darüber zu ermöglichen, weshalb Empfehlungen ausgesprochen werden. Die Ergebnisse verdeutlichen das Potenzial künstlicher Intelligenz, die mul- tikriterielle Entscheidungsfindung zu unterstützen und schnelle, kontextsensi- tive und transparente Entscheidungsunterstützung für Notfallsituationen bere- itzustellen, während die Verantwortung und Autorität menschlicher Entschei- dungsträger gewahrt bleiben. Neben der ExACT-MCDM-Methodik liefert diese Dissertation einen skalierbaren Benchmark, der das Verständnis des Problems der dynamischen Ausweichflugplatzwahl vertieft, und bietet praktische Hin- weise zur Integration solcher Modelle in operationale Systeme. Zusammen zeigen diese Beiträge, wie künstliche Intelligenz die Entscheidungsfindung in komplexen, unvorhersehbaren und sicherheitskritischen Umgebungen sinnvoll erweitern kann – einschließlich cockpitnaher Entscheidungsunterstützungssys- teme wie dem Intelligent Pilot Advisory System, das derzeit am Deutschen Zentrum für Luft- und Raumfahrt entwickelt wird.