INTUIT

La gestión del tráfico aéreo orientada al rendimiento es uno de los pilares fundamentales tanto del Cielo Único Europeo[1] (SES de su acrónimo en inglés) como de su pilar tecnológico SESAR[2]. Pero la comprensión de los factores que afectan dicho rendimiento se hace complicada por la complejidad de las interacciones independientes entre políticas y normas reguladoras, los diferentes actores involucrados, las tecnologías y las condiciones de mercado. En este contexto, alcanzar un compromiso es una tarea a diferentes niveles, porque no solo hay que tener en cuenta los diferentes actores, sino también las áreas claves de rendimiento (KPA de su acrónimo en inglés) así como los objetivos a corto y largo plazo. Por ello, existe una necesidad urgente de mejores métodos de modelado de rendimiento que sean capaces de entender las interdependencias entre los varios indicadores fundamentales de rendimiento (KPI de su acrónimo en inglés) y, a la vez, permitir una valoración de los posibles impactos de un conjunto de políticas y tecnologías. Por lo tanto, una aproximación orientada al rendimiento tiene que basarse en la definición de políticas en términos de objetivos de desempeño cualitativos. Además, es importante que dichos objetivos sean medibles a través de la definición de indicadores adecuados, que haya desarrollo de metodologías y bases de datos para su cálculo, gestión del conocimiento necesario para el mantenimiento de la calidad de los datos mismos y que se garantice la correspondencia entre el análisis de las tendencias de los indicadores y las medidas de gestión.

Aproximación y metodología

En primer lugar, se llevó a cabo una extensa revisión del estado de arte en tema de rendimiento en la gestión del tráfico aéreo y a la vez, se valoró la validez, la calidad y la extensión geo-espacial de las fuentes de datos actualmente a disposición. Toda esta información se complementó luego con los resultados procedentes de las consultas con algunos de los actores interesados. Finalmente, se defino una agenda de investigación sobre la ciencia de datos y el rendimiento en la gestión del tráfico aéreo. De esta agenda, se seleccionaron los siguientes temas de investigación para su desarrollo como casos de estudio (CS) a lo largo del proyecto:

• CS-1: Efectos de las tarifas unitarias sobre la elección de las rutas por parte de las compañías aéreas e impactos sobre el rendimiento en el tráfico aéreo;
• CS-2: Causas de las ineficiencias durante el trayecto de los vuelos;
• CS-3: Representación multi-escala de los indicadores de rendimiento de tráfico aéreo

Cada caso de estudio planteado se estudió de la siguiente manera:

1. Análisis de datos exploratorio: incluye una aproximación analítica tanto estadística como visual para la identificación de patrones y tendencias con el objetivo de encontrar posibles aproximaciones a la fase de modelado de datos;
2. Modelado basado en datos: se investiga como las técnicas de aprendizaje automático puedan usarse para la creación de modelos predictivos capaces de complementar o remplazar modelos más convencionales;
3. Desarrollo de herramienta de apoyo a la toma de decisiones: se integran los modelos del punto anterior en un dashboard interactivo para la exploración y análisis de los resultados obtenidos.

La siguiente figura describe esta metodología gráficamente.

Figura 1 - Aproximación usada en INTUIT para el desarrollo de los modelos y las herramientas de visualización

Resultados:

El trabajo del CeDInt se centró principalmente en el desarrollo de las interfaces interactivas y las herramientas de ayuda a la toma de decisiones. En concreto, se implementó un conjunto de dashboards (para los casos de estudio CS-1 y CS-2) en los que usuarios expertos (p.ej. gestores de redes de tráfico aéreo) puedan explorar visualmente los resultados de modelos específicos y sean útiles para las tareas relacionadas con la toma de decisiones.

Efectos de las tarifas unitarias sobre la elección de las rutas por parte de las compañías aéreas e impactos sobre el rendimiento en el tráfico aéreo:

Elegir que ruta seguir es un factor importante, sobre todo en la fase de planificación pre-táctica, que afecta el rendimiento de la gestión del tráfico aéreo (p.ej. por el impacto ambiental). Tradicionalmente, la previsión de la demanda se basa en algunas hipótesis tanto de preferencia de las aerolíneas como de información privada (p.ej. el coste de los retrasos por compañía y el peso de los aviones antes de despegar). Para descubrir cómo esta elección influye sobre el rendimiento, se propuso el desarrollo de modelos basados en datos históricos reales que describen el comportamiento de las aerolíneas, como por ejemplo los del repositorio de EUROCONTROL DDR2. A partir de una primera fase de exploración del conjunto de datos, se procedió al desarrollo de modelos de aprendizaje automático para predecir la elección de las rutas (para un par de localidades de origen y destino). El predictor de rutas fue sucesivamente acoplado a una herramienta de optimización multi-objetivo. Finalmente, se desarrolló una interfaz gráfica para el análisis visual de estos resultados, con el objetivo de explorar los efectos que la definición de particulares tarifas unitarias pueden tener a la hora de elegir la ruta. Dichas tarifas se pueden seleccionar de manera interactiva y evaluar sus efectos en la optimización de una función de coste oportuna. Por ello, el dashboard está compuesto por un conjunto de gráficas interactivas que, según el trayecto elegido, permiten al usuario la evaluación de diferentes combinaciones de tarifas unitarias con respecto a parámetros como la eficiencia en vuelo, la eficiencia de coste y la capacidad. Dichos efectos se pueden observar a partir del conjunto de vuelos que cubren la ruta elegida o separándolos por compañía y/o por proveedores de servicios de navegación aérea (ANSP).

Las figuras a continuación muestran algunas de las funcionalidades de la herramienta.

Figura 2 – Diagrama de coordenadas paralelas para comparar los diferentes atributos (columnas) de cada solución optimizada (líneas) según el modelo. La línea verde representa una solución seleccionada por el usuario; la naranja es el escenario de referencia, típicamente la situación de partida que se quiera mejorar. El conjunto de líneas dibuja diferentes patrones que ayudan a determinar los compromisos entre los atributos.

Figura 3 – Representación mediante diagrama de puntos (scatterplot) del espacio de las soluciones óptimas derivadas del modelo (valores normalizados). Se resalta la comparación entre dos atributos para estudiar sus distribuciones relativas.

Figura 4 – Representación geográfica de las tres principales agregaciones de rutas (cluster) entre Gran Canarias y Londres y de los ANSP interesados. En las líneas está codificado el número de vuelos por cada cluster, mientras el mapa coropleta de los ANSP muestra las tarifas unitarias del escenario de referencia.

Figura 5 – Gráfica para la comparación de la estimación de los efectos de una política de optimización de costes (con respecto a un escenario de partida). Los valores de los atributos están normalizados para garantizar una comparación correcta. Los efectos están desglosados por aerolínea.

Causas de las ineficiencias durante el trayecto de los vuelos:

Este caso de estudio se centra en el análisis de los factores que entran en juego para determinar la eficiencia de vuelo en su componente horizontal a la hora de cruzar un espacio aéreo, con la idea de aislar e identificar las contribuciones de dichos factores y de los actores involucrados. Por ejemplo, es interesante estudiar si las ineficiencias medidas en una zona (ACC del inglés Area Control Centre) se deban o no a algunas restricciones en los espacios aéreos cercanos. El caso de estudio se centró para el ACC de Burdeos (LFBBCTA). Después de haber analizado los datos para el caso de estudio, los factores identificados como potencialmente determinantes para la eficiencia horizontal de vuelo se usaron para entrenar diferentes modelos de aprendizaje automático. Las relaciones que se descubrieron entre estos factores arrojaron luz sobre las causas y efectos (y una cuantificación de estos impactos) de los bajos rendimientos de los vuelos dentro de un cierto espacio aéreo. Como en el caso anterior, los resultados se incorporaron a una interfaz interactiva para su exploración y análisis visual, pudiendo elegir un área en concreto (ACC o zona de tarificación) del espacio ECAC (Conferencia Europea de Aviación Civil). Diferentes visualizaciones y gráficas permiten al usuario una exploración de las relaciones entre los indicadores de eficiencia de vuelo y otras variables relacionadas con la estructura del espacio aéreo considerado, como se puede ver en las figuras a continuación.

Figura 6 – Mapa coropleta enseñando el valor del indicador KEA (que mide el nivel de la componente horizontal de ineficiencia relativa a las trayectorias seguidas por los vuelos en un periodo de 12 meses). Esta vista permite comparar los valores de una región seleccionada (la resaltada en rojo) con respecto a las regiones vecinas.

Figura 7 – El scatterplot compara el valor global medio del indicador KEA con respecto a los valores HFE (Horizontal Flight Efficiency, una medida de la diferencia media entre la trayectoria mínima – distancia ortodrómica – y la que se ha volado verdaderamente). Cada punto en la gráfica representa un segmento de un vuelo en una zona ACC (Air Control Centre) seleccionada. En cada tooltip se presenta la información asociada a un vuelo en concreto y repartida por sus tramos.

Figure 8 – Análisis de las causas más importantes que afectan a la ineficiencia durante un vuelo, calculadas con la medida de correlación de Pearson. El análisis se centra en la zona EDUUUTA y en tres áreas vecinas, resaltando el impacto actual (es decir de los vuelos realizados) y previsto (es decir, según las trayectorias previstas en la fase de planificación del vuelo)

Más información disponible en la página web: https://www.intuit-sesar.eu/, donde se puede encontrar la documentación más relevante (p.ej. entregables y artículos) relacionada a los desarrollos del proyecto.