Una propuesta basada en aprendizaje automático para la mejora de la predicción de tiempos de llegada

Abstract

Los últimos estudios realizados por Eurocontrol [30], indican que el 53% de los vuelos en Europa sufrió algún tipo de retraso durante el año 2018. Aunque las causas de esta situación son variadas, la mayor congestión de los espacios aéreos es una de las más relevantes. Atendiendo a los informes de Eurocontrol elaborados a partir de estos estudios, se estima que el número de vuelos a nivel mundial, se ha incremento un 4,4% en este último año respecto al año pasado, complicando aún más la gestión del tráfico aéreo (ATM). Durante los últimos años se han desarrollado iniciativas de investigación centradas en modernizar y mejorar los sistemas ATM. Para ello, se están introduciendo nuevas tecnologías, que permitan aprovechar de una forma más efectiva los recursos de los que se dispone en el ámbito del tráfico aéreo, como por ejemplo ADS-B (Automatic Dependent Surveillance Broadcast). ADS-B es una tecnología de vigilancia que permite que la aeronave envíe información de su estado de forma periódica. Mediante estos mensajes seremos capaces de construir vectores que describen tanto la posición, como la altitud de la aeronave, así como otros parámetros del vuelo (velocidad horizontal y vertical, identificador de vuelo(callsing),. . . ) en un determinado instante de tiempo. De esta forma, la trayectoria de un vuelo puede reconstruirse de acuerdo con sus vectores de estado y modelarse como una serie temporal. Sin embargo, el gran número de vuelos que se producen diariamente, junto con la gran cantidad de datos ADS-B que proporciona cada uno de ellos, hace que la explotación de toda esta cantidad de información tenga que abordarse utilizando tecnología Big Data. En este Trabajo Fin de Grado (TFG) se abordará el reto de estimar los tiempos de llegada de los vuelos, en función de las trayectorias reconstruidas a partir ADS-B y de las variables que influyen en el trayecto de la aeronave. Toda esta información será, posteriormente, utilizada para analizar los retrasos sufridos por estos vuelos, proponiendo nuevos mecanismos para mejorar la estimación actual de los tiempos de llegada. Para realizar las predicciones hemos usado redes LSTM que permiten basar su predicción en mensajes anteriores es una técnica muy usada en problemas que tienen como base las series temporales. Finalmente, cabe destacar que este TFG se desarrollará de forma iterativa e incremental bajo la metodología UVagile, permitiendo dar un enfoque más dinámico al proyecto y posibilitando que su resultado final se ajuste mas y mejor a los objetivos propuestos al comienzo del proyecto.