La complejidad del tráfico aéreo es una cuestión muy estudiada por la industria aeroespacial. Hoy en día, la demanda de aeronaves supera la capacidad del Sistema de Control de Tráfico Aéreo (ATC- Air Traffic Control) y, como resultado, el espacio aéreo se está convirtiendo en un entorno muy complejo de controlar. Si esta complejidad se conoce de antemano, se pueden gestionar los recursos del sistema ATC de forma óptima y, por tanto, disminuir la carga de trabajo de los controladores.

En este sentido, la mayoría de las investigaciones únicamente tienen en cuenta el número de aeronaves, pero en realidad la complejidad del tráfico aéreo también depende de otros factores, como las “interacciones verticales y horizontales de las aeronaves o la presencia de regulaciones ATFCM” (Air Traffic Flow and Capacity Management), explica Francisco Pérez Moreno, investigador de la Universidad Politécnica de Madrid.

Pérez Moreno es uno de los autores del estudio “Determination of Air Traffic Complexity Most Influential Parameters Based on Machine Learning Models”, en el cual se desarrolla un indicador de complejidad basado en algunas de estas variables, así como modelos de inteligencia artificial, mediante los cuales se trata de conocer qué factores son los realmente importantes de cara a conocer la complejidad del espacio aéreo. De esta manera, el sistema propuesto trata de superar una de las principales desventajas de los modelos de complejidad actuales: la subjetividad de los modelos basados en la opinión de expertos.

La metodología desarrollada permite concluir una serie de parámetros sobre los que actuar de cara a evaluar la complejidad. En concreto, de acuerdo con las investigaciones, la densidad de tráfico es un parámetro que influye en la complejidad. Pero más allá del número de aeronaves, también afecta cómo se distribuyen vertical y/o temporalmente.
 

“Determination of Air Traffic Complexity Most Influential Parameters Based on Machine Learning Models”

Un modelo para optimizar los recursos en gestión del tráfico aéreo
Gracias a los modelos de inteligencia artificial, y al desarrollo de un modelo de complejidad, se pueden estimar qué variables son realmente importantes. Pero también se pueden conocer qué variables no lo son. De esta forma, “actuando sobre éstas, se puede “controlar” la complejidad del tráfico y hacer que el servicio ATC pueda gestionar esta complejidad de forma óptima”, explica el investigador de la Escuela Técnica Superior de Ingeniería Aeronáutica y del Espacio (ETSIAE) de la UPM.

El trabajo se enmarca dentro de una colaboración de la Universidad Politécnica de Madrid con ENAIRE y CRIDA, cuyo objetivo es poder estimar la complejidad del espacio aéreo en función del comportamiento de sus flujos de tráfico principales. La metodología desarrollada puede utilizarse para conocer la complejidad del espacio aéreo con anterioridad a la operación y así optimizar los recursos tanto humanos como tecnológicos del servicio ATC, ayudando a que haya una mayor eficiencia en el ATM (Air Traffic Management).

“Con la estimación de los parámetros más importantes, se podrá conocer dónde habrá que actuar en el momento de la operación para poder reducir la complejidad del tráfico aéreo, y por tanto disminuir la carga de trabajo de los controladores”, concluye Francisco Pérez Moreno.
 
Pérez Moreno, F.; Gómez Comendador, V.F.; Delgado-Aguilera Jurado, R.; Zamarreño Suárez, M.; Janisch, D.; Arnaldo Valdés, R.M. “Determination of Air Traffic Complexity Most Influential Parameters Based on Machine Learning Models”. Symmetry 2022, 14(12), 2629; doi.org/10.3390/sym14122629