Avances en Modelos Predictivos para la Gestión del Tráfico Aéreo

Con el aumento de los viajes aéreos, está claro que se necesitan avances en la gestión del tráfico aéreo. Esto es para garantizar operaciones seguras y eficientes en los aeropuertos. Los Modelos predictivos que pueden prever los movimientos de las aeronaves y los flujos de tráfico son clave para optimizar las operaciones en los aeropuertos. Sin embargo, predecir estos movimientos puede ser complicado debido a los diferentes diseños de los aeropuertos y a los muchos factores que les afectan.

Para abordar estos desafíos, podemos usar modelos predictivos basados en datos. Estos modelos examinan datos históricos para ayudar con tareas como evaluar riesgos de colisión, predecir tiempos de rodaje y estimar emisiones. A pesar de algunas mejoras de esfuerzos anteriores, todavía falta un gran conjunto de datos públicos y modelos efectivos para la Predicción de trayectorias.

En este artículo, vamos a presentar un nuevo conjunto de datos masivo y un modelo diseñado para mejorar las predicciones de los movimientos en la superficie del aeropuerto. El conjunto de datos incluye información sobre el movimiento en la superficie de numerosos aeropuertos, mientras que el modelo se construye utilizando técnicas sofisticadas que pueden aprender de estos datos.

#La Necesidad de Mejorar la Gestión del Tráfico Aéreo

A medida que crecen los viajes aéreos, también aumenta el número de aeronaves en el aire y en tierra. Esto puede llevar a congestiones, lo que impacta la experiencia del cliente y puede aumentar el uso de combustible y las emisiones. Problemas como los casi accidentes entre aeronaves en tierra han ido en aumento, con estadísticas recientes que muestran más incidentes cercanos en solo dos meses que en los cinco años anteriores combinados.

Para abordar estos problemas, se necesita urgentemente herramientas que puedan predecir los movimientos de las aeronaves con precisión. Estas herramientas pueden ayudar a prevenir accidentes y hacer que las operaciones del aeropuerto sean más eficientes. Por ejemplo, si podemos predecir qué aeronaves despegarán o aterrizarán a qué hora, podemos gestionar mejor los empujes desde la puerta y el tráfico general en tierra.

Actualmente, sistemas como el Equipamiento de Detección en Superficie de Aeropuerto - Modelo X (ASDE-X) ofrecen predicciones básicas. Sin embargo, se centran principalmente en movimientos en línea recta. Al adoptar modelos basados en datos que consideran múltiples fuentes de información-como datos en tiempo real de otras aeronaves, diseños de aeropuertos e incluso condiciones climáticas-podemos mejorar significativamente estas predicciones.

#El Conjunto de Datos

Para apoyar la investigación en la predicción de movimientos en los aeropuertos, hemos reunido un conjunto de datos significativo. Este conjunto de datos, denominado “conjunto de datos Amelia”, se crea utilizando el programa de Gestión de Información a Nivel del Sistema (SWIM). Consiste en más de 30 terabytes de datos recopilados de 48 aeropuertos en Estados Unidos.

Los datos fueron recopilados desde diciembre de 2022 e incluyen información sobre los movimientos de las aeronaves, sus trayectorias y los mapas correspondientes de los aeropuertos. Este extenso conjunto de datos no solo proporciona datos en bruto, sino que también incluye scripts que facilitan su uso en estudios.

Un componente importante de este conjunto de datos es que permite a los investigadores estudiar diferentes aspectos de las operaciones aeroportuarias, lo que puede llevar a mejoras en la gestión del tráfico aéreo.

#El Modelo

Además del conjunto de datos, hemos desarrollado un modelo que está entrenado para hacer predicciones precisas sobre los movimientos de las aeronaves. Este modelo utiliza un enfoque basado en transformadores, similar a las técnicas vistas en procesamiento de lenguaje y visión por computadora.

El modelo funciona al tomar los datos históricos de los movimientos de una aeronave así como el contexto espacial de los mapas del aeropuerto. Luego predice futuros movimientos basándose en esta información. Al estar entrenado con una cantidad sustancial de datos, el modelo puede generalizar sus predicciones a aeropuertos que nunca ha visto antes, lo cual es crucial para su aplicabilidad en el mundo real.

#Estructura del Modelo

La arquitectura del modelo consta de varios componentes clave.

1. Representación de Escena: El modelo evalúa la importancia de diferentes agentes y sus movimientos dentro del entorno del aeropuerto. Selecciona los datos más relevantes para enfocarse mientras ignora la información menos crítica.

2. Codificación de Escena: La información seleccionada se organiza usando una arquitectura de transformadores que captura las relaciones entre varios agentes y sus movimientos a lo largo del tiempo.

3. Decodificación de Trayectoria: Finalmente, el modelo predice los estados futuros de las aeronaves seleccionadas utilizando un método que considera múltiples resultados posibles.

El objetivo del modelo es ofrecer predicciones claras sobre cómo es probable que se comporten las aeronaves, lo que puede ser crítico para evitar conflictos en tierra.

#Análisis del Conjunto de Datos

Para validar el conjunto de datos, examinamos los datos de diez aeropuertos específicos con diferentes niveles de tráfico y diseños. Al procesar estos datos, podemos entender mejor el rango de comportamientos de las aeronaves, incluyendo cómo cambian su velocidad, dirección y posición durante el despegue, aterrizaje y rodaje.

#Información de Tráfico

Reunimos datos que incluyen el número total de movimientos y aeronaves únicas para cada aeropuerto. Este análisis reveló diferencias significativas en los niveles de actividad entre aeropuertos, lo que lleva a diferentes desafíos operativos.

#Perfiles de Movimiento

Al analizar la velocidad y aceleración de las aeronaves, podemos observar patrones de comportamiento típicos. Por ejemplo, esperamos movimientos más lentos cerca de las puertas y movimientos más rápidos durante el despegue. Comprender estos comportamientos no solo ayuda a refinar las predicciones, sino que también resalta factores críticos de seguridad, como cuando una aeronave puede estar en riesgo de colisión.

#Recolección y Procesamiento de Datos de Mapas

Los mapas de los aeropuertos utilizados en este estudio se obtienen de OpenStreetMap. Estos mapas se procesan para incluir características vitales como pistas, calles de rodaje y marcas de espera. Al crear una representación precisa de los diseños de los aeropuertos, nos aseguramos de que el modelo esté bien equipado para hacer predicciones informadas.

Los datos del mapa están estructurados de manera que permiten al modelo acceder rápidamente a información relevante sobre el diseño de cada aeropuerto, lo que mejora la precisión de las predicciones.

#Implementación y Entrenamiento del Modelo

El entrenamiento del modelo implica el uso de un gran volumen del conjunto de datos procesado. Aplicamos un enfoque de división por días para nuestro entrenamiento y prueba, asegurando que se utilice una buena mezcla de datos mientras también validamos la efectividad del modelo.

#Métricas para el Rendimiento

Para medir el rendimiento de las predicciones, utilizamos métricas de evaluación estándar comúnmente adoptadas en la predicción de trayectorias. Estas métricas ayudan a evaluar qué tan bien el modelo predice movimientos futuros en comparación con los movimientos reportados reales.

Al analizar los datos en diferentes aeropuertos, se puede entender mejor las fortalezas y debilidades del modelo. En general, el modelo se desempeñó bien, ofreciendo predicciones confiables en varios escenarios.

#Experimentación

Hemos realizado varios experimentos para probar qué tan bien se desempeña el modelo con diferentes configuraciones. Por ejemplo, un experimento se centró en qué tan bien el modelo podría generalizar sus predicciones en diferentes aeropuertos, mientras que otro evaluó la efectividad de nuestra estrategia de representación de escena.

#Estrategia de Representación de Escena

Nuestro método para seleccionar qué aeronaves enfocarse ayuda a resaltar interacciones más complejas y está destinado a mejorar el rendimiento general de las predicciones. Comparamos nuestra estrategia con un método de selección aleatoria, revelando que nuestro enfoque dirigido generalmente resulta en mejores predicciones.

#Generalización entre Aeropuertos

Otro aspecto significativo de nuestra investigación fue probar qué tan bien el modelo podía generalizar en aeropuertos no vistos. Los resultados indican que a medida que el modelo se expone a una variedad más amplia de diseños de aeropuertos y movimientos durante el entrenamiento, su capacidad para predecir movimientos futuros mejora en nuevos escenarios.

#Conclusión

El trabajo presentado aquí enfatiza la importancia de los modelos basados en datos para mejorar las operaciones en la superficie de los aeropuertos. Al introducir un conjunto de datos grande y completo junto con un modelo predictivo efectivo, buscamos proporcionar recursos valiosos para investigadores y profesionales en la gestión del tráfico aéreo.

Esperamos que estos datos y el modelo faciliten más investigaciones y desarrollos en el campo, ayudando en última instancia a hacer que los viajes aéreos sean más seguros y eficientes.

#Direcciones Futuras

Si bien este conjunto de datos y modelo representan un avance significativo, aún hay oportunidades para trabajos futuros. Estos incluyen:

1. Ampliación: Continuar los esfuerzos en la recolección de datos y el entrenamiento del modelo puede mejorar el tamaño y la diversidad del conjunto de datos, ofreciendo predicciones aún más robustas.

2. Expansión de Aplicaciones: Nuestro modelo puede aplicarse a varias tareas, como evaluaciones de riesgo de colisión y mejorar la programación de salidas.

3. Mejora de Algoritmos: Al experimentar con diferentes representaciones y enfoques de entrenamiento, se puede potencialmente mejorar aún más la precisión de las predicciones del modelo.

En resumen, esta investigación sirve como base para futuros avances en el dominio de la gestión del tráfico aéreo, permitiendo mejores predicciones y operaciones aeroportuarias más seguras.