Aplicación de redes neuronales artificiales al campo de la navegación aérea

Por: José Manuel Rísquez Fernández

Introducción a la gestión de navegación aérea

¿Cómo se gestiona el tráfico aéreo que día tras día vemos surcar nuestros cielos?  Para que este tráfico aéreo sea gestionado de forma eficiente y segura interviene un número importante de personas apoyados por un elevado grado de tecnología. Una de las múltiples tareas que deben desempeñarse es la de controlar el tráfico aéreo. Para ello, en general, un controlador ejecutivo, apoyado por un controlador planificador, se encarga de vigilar el comportamiento de cada aeronave y asegurar que la separación entre ellas sea la requerida, y si es necesario comunicar con el piloto y copiloto de la aeronave para darles las órdenes oportunas. Para facilitar la lectura, a partir de ahora se usará la palabra controlador para hacer referencia a este binomio “ejecutivo-planificador”. Realizar estas acciones le supone al controlador una carga de trabajo variable dependiendo de la complejidad del tráfico en el espacio aéreo en el que se mueven, por este motivo no es asumible que un controlador se encargue del control de todas las aeronaves que utilizan el espacio aéreo español; la carga de trabajo sería tal que no podría asegurar la seguridad y fluidez de la operación. Por ese motivo, el espacio aéreo se divide virtualmente en volúmenes que denominaremos “sectores”. Esta división debe ser tal que asegure que la carga de trabajo, de los diferentes controladores que gestionen sus correspondientes sectores asignados, es asumible desde el punto de vista de la seguridad. Sin embargo, a lo largo de las 24 horas del día, en función de los destinos ofertados por las compañías aéreas, el tráfico aéreo fluctúa de forma relevante. Es decir, en sectores donde por la mañana los niveles de tráfico son bajos (i.e. periodo valle), por la tarde puede subir enormemente (i.e. periodo pico). No obstante, ni siquiera en los periodos picos, el número de aeronaves debiera ser tan alto que pudiera suponer un exceso de carga de trabajo del controlador. Es por este motivo, que para cada sector se calcula el número máximo de aeronaves que deben entrar en dicho sector en el transcurso de una hora; este valor toma el nombre de “capacidad declarada horaria”.

Foto3

La responsabilidad de asegurar que el sector no sufre una sobrecarga de vuelos, es decir, conseguir que no entren más aeronaves que la capacidad declarada, ya no recae en los controladores aéreos, sino en gestores de red o de afluencia. Estos gestores, utilizando un programa informático llamado “CFMU Human Machine Interface (CHMI)”, monitorizan continuamente la previsión del número de vuelos que entrarán en las próximas horas, y en caso de detectar alguna sobrecarga que rebase la capacidad declarada, están en disposición de activar una regulación. En caso de activarse dicha regulación, explicado de forma sencilla, un sistema centralizado se encarga de asignar nuevas horas de despegue sobre aquellos vuelos que todavía no han despegado de sus respectivos aeropuertos de origen, para que el indicador de demanda de tráfico horario vuelva a estar por debajo de la capacidad declarada asociada a la regulación solicitada.

El criterio de contabilización del número de aviones de entrados por hora, se puede denominar “régimen de entrada” i.e. Entry Rate. La elección de este valor para representar la capacidad declarada, y no otro, se puede explicar porque es una forma sencilla de medir de una forma anticipada, atendiendo a los planes de vuelos presentados por las compañías aéreas. Asimismo, la decisión sobre qué capacidad declarar está fuertemente apoyada por diferentes metodologías basadas en análisis de carga de trabajo que facilitan tomar una decisión fiable.

Sin embargo, este indicador de demanda presenta algún inconveniente. Para que un controlador sufra una situación de carga de trabajo que le impida una adecuada gestión del tráfico, pueden ser suficientes 20 minutos de una punta muy elevada de tráfico. Sin embargo, si en los 40 minutos restantes no operan muchos vuelos, podría darse la siguiente circunstancia: que el indicador de demanda horaria no alertara de ninguna sobrecarga, por no rebasar, el número de entrados en una hora, la capacidad declarada; pero producirse una acumulación de tráfico inmanejable en un periodo de 20 minutos.

Indicador de ocupación

Por este motivo, se empiezan a utilizar otros indicadores para tomar la decisión o no, de activar una regulación para proteger a un sector de una sobrecarga. En concreto, aparece el indicador de ocupación i.e. Occupancy. Este indicador no se basa en el evento “entrar en un sector”, sino en el evento “estar en un sector”. Para calcular el valor de ocupación en un sector, habría que contabilizar cuantos vuelos estarían presentes en dicho sector en cada franja de e.g. 10 minutos a lo largo del día (i.e. 24×6=144 valores al día).

Aunque se ha explicado que el uso del concepto de capacidad declarada basado en número de entrados por hora, tiene alguna debilidad, se puede asumir que funciona suficientemente bien. Por este motivo, la transición a otro tipo de indicador diferente para salvaguardar la seguridad de un sector debe analizarse minuciosamente.

En la investigación realizada se proponían las siguientes hipótesis para ser refutadas.

1.- “no es necesario conocer los 6 valores de Ocupación de 10 minutos para realizar la gestión de afluencia de un sector de la misma forma que se realiza con el régimen de entrados en una hora.”

2.- “no es suficiente con conocer sólo 1 valor de Ocupación de 10 minutos para realizar la gestión de afluencia de un sector de la misma forma que se realiza con el régimen de entrados en una hora.”

Red neuronal artificial

Para realizar este análisis se decidió generar una red neuronal artificial, utilizando la herramienta gratuita “NeurophStudio”, que permite investigar sin necesidad de ser un experto en programación o redes neuronales artificiales. Se ha conformado de una red neuronal que consta de 6 neuronas de entrada y una capa oculta de 6 neuronas, y una única neurona de salida. Adicionalmente, se ha incluido una neurona adicional llamada “bias” recomendada por los expertos en redes neuronales en diferentes foros. Como datos de entrada se introducen los 6 valores de ocupación de 10 minutos, ordenados de mayor a menor, correspondientes a cada una de las horas de toda la muestra disponible. Como dato de salida se han introducido el valor de la demanda horaria correspondiente.

red1

Con la mitad de los datos, se ha entrenado dicha herramienta hasta conseguir minimizar el error de la red neuronal. Llegado a este punto se elimina la última neurona. Este proceso se ha repetido sucesivamente. Analizando el error de las diferentes redes neuronales a medida que se intentaba emular el proceso de regulación actual considerando los vuelos entrados en una hora mediante valores de ocupación de 10 minutos se ha observado lo siguiente:

Conclusión: Resultados y Conclusiones

El error se mantiene invariable utilizando 6, 5, 4 o 3 valores de ocupación de 10 minutos. Sin embargo, el error de la red neuronal se disparó cuando se intentó emular el proceso con sólo 2 valores de ocupación.

Estos fueron los errores de red resultantes:

  • 6 neuronas 0,003622
  • 5 neuronas 0,003644
  • 4 neuronas 0,00365
  • 3 neuronas 0,003654
  • 2 neuronas 0,004664

De este modo quedan confirmadas las hipótesis inicialmente expuestas. Sería suficiente tener en cuenta 3 valores de ocupación de 10 minutos para poder realizar la gestión de afluencia del sector estudiado de la misma forma que se realiza con el régimen de entrados en una hora.

red2

Analizando con detalle la muestra observada, a modo de ejemplo, se podría asumir que la decisión de regular el sector estudiado a su capacidad de 41 vuelos por hora, podría tomarse con igual efectividad cuando se detectase que 41 vuelos van a entrar en el sector en una hora, o de otra forma cuando se detectase que los tres máximos periodos de ocupación de 10 minutos correspondientes a una hora sean iguales o mayores de 15 operaciones.

Llevando a cabo la gestión de afluencia utilizando los factores de ocupación se seguiría salvaguardando la seguridad de las aeronaves que utilicen dicho sector y se eliminaría el riesgo de que una sobrecarga de tráfico concentrada en una ventana de e.g. 20 minutos pasase desapercibida.

Líneas de investigación abiertas

Este estudio ha analizado una forma de utilizar los valores de ocupación de 10 minutos que buscaba igualar las acciones que llevaría a cabo un gestor de afluencia utilizando el régimen de entrados por hora.

Otra posible línea de investigación sería analizar la ventana de tiempo óptima. Este estudio ha utilizado de partida la ventana de 10 minutos, pero sería necesario analizar otras ventanas de tiempo (e.g. 15, 20 o 30 minutos, o combinaciones de ellas).

Del mismo modo, también sería necesario investigar sobre las posibles metodologías de cálculo de los umbrales de ocupación límite en función de la carga de trabajo del controlador, que pueda aplicarse a cualquier sector de control. Esto permitiría a un proveedor de servicios de navegación aérea poder definir valores de ocupación seguros de forma metodológica, del mismo modo que hoy lo hace para la definición de la capacidad declarada.

También debería observarse la evolución del procedimiento de asignación de las nuevas horas de despegue en caso de activarse una regulación en un sector. El programa de investigación ATM en el marco del Cielo Único Europeo (SESAR) está analizando la viabilidad de asignar horas de entrada a un sector de control en lugar de asignar una nueva hora de despegue, como forma de controlar el número de vuelos que entra en un sector en periodo de tiempo determinado para proteger la seguridad del sector.

 

Acerca de José Manuel Rísquez Fernández

José Manuel Rísquez Fernández
José Manuel Rísquez Fernández. Ingeniero Técnico Aeronáutico trabajando en Ineco desde 1996 en proyectos nacionales e internacionales, siempre relacionados con el ámbito de la Gestión del Tráfico Aéreo (ATM). Destacar su interés por el mundo de la Inteligencia Artificial, diseñando algoritmos genéticos y redes neuronales artificiales aplicados al ámbito ATM.