공항 지상 운영은 처리량이 많은 허브 공항의 성능을 점점 더 제약하고 있습니다. 본 연구는 Hartsfield-Jackson Atlanta International Airport (KATL)에서의 도착 택시인 (taxi-in) 결정을 조사하고, 관제사의 작업 흐름을 반영하는 2단계 데이터 기반 의사결정 지원 시스템을 제안합니다. 1단계(Stage I)는 도착 항공기가 선택할 활주로 탈출 지점 (runway exit)을 예측합니다. 2단계(Stage II)는 해당 탈출 지점이 주어졌을 때, 항공기가 지정된 지점에서 활성 이륙 활주로 (active departure runway)를 가로지를지 또는 우회 유도로 (end-around taxiway)를 사용할지를 예측합니다. 모델은 ASDE-X 지상 궤적, 항공기 특성, 램프 목적지 (ramp destinations), 단기 교통량 (short-horizon traffic rates), 그리고 여러 회귀 창 (look-back windows)에 걸친 기상 데이터를 사용하여 학습되었습니다. 우리는 Random Forest, XGBoost, LightGBM, CatBoost를 포함한 9개의 분류기 (classifiers)를 벤치마킹하였으며, 정확도 (accuracy), macro-F1, 정밀도-재현율 (precision-recall) 동작, 혼동 행렬 (confusion matrices), Brier score, 그리고 기대 교정 오차 (Expected Calibration Error)를 평가했습니다. 동쪽 및 서쪽 흐름 전반에 걸쳐 XGBoost와 LightGBM이 Random Forest보다 우수한 성능을 보였습니다. 1단계는 0.86-0.89의 정확도와 0.40-0.50의 macro-F1 점수를 달성하였고, 2단계는 0.70-0.74의 정확도와 0.28-0.55의 macro-F1 점수를 달성하였습니다. 특성 중요도 (Feature-importance) 분석 결과, 접근 속도 (approach speed)가 탈출 선택의 주요 동인임을 보여줍니다. 이륙률 (departure rate), 교차율 (crossing rate), 램프 목적지, 그리고 서쪽 흐름의 경우 선택된 탈출 지점이 가로지르기 대 우회 경로를 결정하는 가장 강력한 예측 변수입니다. t-SNE 및 UMAP 분석에서 나타난 바와 같이, 특성 공간 (feature-space)의 중첩으로 인해 소수 클래스 (minority classes)는 여전히 예측하기 어렵습니다. 제안된 프레임워크는 최종 경로 결정에 대한 인간의 책임을 유지하면서도, 교정되고 설명 가능한 (explainable) 예측을 통해 관제사의 상황 인식 (situational awareness)을 지원합니다.