Métodos de aprendizaje automático para elaborar modelos de los congestionados cielos europeos
Con más aviones que nunca viajando por toda Europa, la gestión del tráfico aéreo (GTA) es cada vez más compleja. Los nuevos conceptos y tecnologías prometen hacer la industria del transporte aéreo de Europa más eficiente, segura y sostenible. El equipo del proyecto SIMBAD (Combining Simulation Models and Big Data Analytics for ATM Performance Analysis) ha desarrollado técnicas de modelización de última generación basadas en la inteligencia artificial, utilizando nuevos enfoques de aprendizaje automático para mejorar las microsimulaciones del tráfico aéreo actual, los modelos sumamente detallados necesarios para integrar nuevas tecnologías en los sistemas de GTA. «Dada la complejidad y el coste computacional de las herramientas microscópicas de simulación del tráfico aéreo a gran escala, las simulaciones están necesariamente restringidas a un número limitado de escenarios, que a menudo es insuficiente para obtener resultados concluyentes», explica David Mocholí, director de Aviación en Nommon Solutions and Technologies. «Las técnicas de aprendizaje automático investigadas por SIMBAD nos ayudan a superar estas deficiencias», afirma Mocholí, quien coordinó el proyecto.
Crear escenarios hiperrealistas de tráfico aéreo
Financiado en el marco de la Empresa Común SESAR, una colaboración público-privada creada para modernizar el sistema de GTA en Europa, SIMBAD se centra en tres problemas fundamentales con los modelos actuales de evaluación del rendimiento. El primero es cómo estimar variables ocultas en vuelo, como el peso de la aeronave al despegar. Aunque no son directamente observables, tienen un efecto tangible en las trayectorias de vuelo en las simulaciones. En segundo lugar, el proyecto busca aumentar la efectividad y la eficiencia de las simulaciones mediante diversas técnicas de agrupamiento de aprendizaje automático que pueden establecer un conjunto representativo de escenarios de tráfico aéreo. Por último, el equipo de SIMBAD está aplicando técnicas de aprendizaje activo para crear metamodelos. Estos metamodelos son aproximaciones más simples y baratas desde el punto de vista computacional de microsimulaciones, lo cual conduce a una evaluación más eficiente y reveladora de las nuevas tecnologías de GTA. Los metamodelos de SIMBAD se están desarrollando en colaboración con el proyecto NOSTROMO, financiado con fondos europeos, que ha creado una interfaz de programación de aplicaciones (API) que facilita el proceso de construcción de estos metamodelos.
Modelización del tráfico aérea a distintas escalas temporales y espaciales
Aunque el proyecto SIMBAD está en curso mientras se escriben estas líneas, ya se han producido varios avances clave. Los nuevos algoritmos para la caracterización de patrones de tráfico han demostrado su capacidad para identificar escenarios de tráfico representativos a distintas escalas espaciales y temporales, lo cual dará como resultado experimentos de simulación más exhaustivos. Además, los metamodelos de SIMBAD han demostrado ser más eficientes y rápidos que las simulaciones existentes en la modelización de nuevas tecnologías de GTA. El equipo también logró hallar variables ocultas a través del análisis de datos históricos del tráfico aéreo. «Hemos estimado con precisión dos variables ocultas relacionadas con los usuarios del espacio aéreo —índice de costes y masa al aterrizar— para un conjunto de trayectorias en condiciones climáticas diferentes», señala Mocholí. El proyecto está avanzando hacia la fase de evaluación, tras la cual se espera obtener resultados más concluyentes. «Las primeras pruebas y validaciones realizadas hasta la fecha han sido muy prometedoras y confiamos en que SIMBAD contribuya de forma valiosa en los análisis del rendimiento de la GTA», establece. El equipo espera seguir desarrollando el trabajo iniciado en SIMBAD en el marco de la Empresa Común SESAR 3. «Sería una gran oportunidad para acercarnos al objetivo final, que es integrar esta tecnología en el sistema de gestión del transporte aéreo de Europa», concluye Mocholí.
Palabras clave
SIMBAD, microsimulaciones, GTA, aprendizaje automático, inteligencia artificial, aéreo, tráfico, datos, gestión, oculto, variables
