Graph-based Complexity Forecasts in UK En Route Airspace Using Relevant Aircraft Interactions

Resumen Técnico: Pronósticos de Complejidad Basados en Grafos en el Espacio Aéreo en Ruta del Reino Unido Utilizando Interacciones Relevantes de Aeronaves

Enunciado del Problema
La gestión efectiva de la carga de trabajo del Oficial de Control de Tráfico Aéreo (ATCO) es crítica para la seguridad operativa. Los supervisores de grupo dependen actualmente de herramientas que estiman la carga de tráfico para informar decisiones sobre la configuración de sectores y la asignación de turnos. Sin embargo, los modelos de complejidad estándar de la industria a menudo no logran capturar las sutilezas de la complejidad del tráfico aéreo. Estos modelos suelen basarse en predicciones de trayectorias deterministas y medidas heurísticas (por ejemplo, número total de aeronaves o aeronaves en ascenso/descenso) que carecen de la fidelidad necesaria para modelar con precisión las configuraciones futuras del tráfico. A menudo sobreestiman la complejidad en escenarios de bajo tráfico donde ocurren superposiciones específicas de rutas y no tienen en cuenta la incertidumbre inherente en los tiempos de llegada de las aeronaves ni la probabilidad de que las aeronaves sean desviadas de sus rutas presentadas. Además, la complejidad es específica de cada sector y está impulsada por interacciones "relevantes" en lugar de por el volumen simple, lo que dificulta la creación de medidas numéricas generalizables.

Metodología
El estudio propone un marco probabilístico para pronosticar la complejidad del espacio aéreo en el Sector Medio de Londres (LMS), un área compleja con múltiples flujos de ascenso y descenso sobre los principales aeropuertos europeos. La metodología consta de tres componentes principales:

1. Adaptación de un Filtro de Aeronaves Relevantes:
   Los autores adaptaron un algoritmo existente de filtrado de vuelos (originalmente de Vijay Kumbhar et al.) para servir como proxy de la carga de trabajo del ATCO. Este filtro identifica pares de aeronaves "relevantes"—aquellas que requieren monitoreo o desconflicción—en lugar de solo aquellas en conflicto inmediato.

   • Refinamiento Iterativo: A través de retroalimentación cualitativa de ATCOs licenciados en el Centro de Swanwick, el filtro fue ajustado para el LMS. Esto implicó ajustar parámetros (por ejemplo, umbrales de distancia lateral, rangos de distancia vertical) e incorporar nueva lógica:
     • Manejo en cola: Exclusión de aeronaves con velocidad relativa insignificante dentro de un cono lateral específico.
     • Rutas divergentes: Exclusión de aeronaves con suficiente separación lateral en trayectorias divergentes.
     • Perfilado vertical basado en datos: Reemplazo de las simples intersecciones de rangos de niveles de vuelo con predicciones de trayectoria probabilísticas (utilizando un intervalo creíble de 2σ) para modelar conos de ascenso y descenso, reduciendo los falsos positivos.
     • Predicción de trayectoria operativa: Utilización de la última instrucción (autorización) emitida por el ATCO en lugar de solo el plan de vuelo presentado o suposiciones basadas en el estado para generar las trayectorias de las aeronaves objetivo.
   • Evaluación: El filtro ajustado fue validado contra 50 escenarios de tráfico estáticos etiquetados por ATCOs, logrando una puntuación F1 de 0.84 en comparación con 0.69 para los parámetros originales.

2. Representación de Rutas Basada en Grafos:
   Para facilitar el pronóstico, los autores construyeron una representación de grafos muestreada de la red de rutas del LMS.

   • Remuestreo: Los planes de vuelo históricos (enero–diciembre de 2024) se convirtieron en un grafo donde las aristas fueron subdivididas linealmente y agrupadas para garantizar una fidelidad espacial consistente (aristas de 5–10 NM). Esto estandarizó los tramos de ruta, permitiendo la recopilación de rutas similares y predicciones espaciales más finas.
   • Búsqueda: Se creó una tabla de traducción para mapear los puntos de referencia originales del plan de vuelo a la estructura del grafo remuestreado.

3. Pronóstico Probabilístico de Complejidad:
   El método de pronóstico predice el número de pares de aeronaves relevantes hasta 45 minutos con antelación combinando:

   • Datos Operativos en Tiempo Real: Predicciones de tiempo de llegada del Procesador de Datos de Vuelo del Sistema de Espacio Aéreo Nacional de NATS (NAS FDP).
   • Probabilidad de Ocupación: Un modelo estadístico que asume que los tiempos de llegada de las aeronaves en los puntos de referencia siguen una distribución normal ($N(\mu, \sigma^2)$, con $\sigma=5$ minutos). Esto calcula la probabilidad de que una aeronave ocupe un segmento de ruta específico en un momento de consulta futuro.
   • Priors Históricos: Un valor esperado empírico ($E[X | O_i, O_j]$) derivado de datos históricos, que representa la probabilidad de que dos aeronaves que ocupan tramos de ruta específicos ($O_i, O_j$) constituyan un par relevante.
   • Fórmula de Predicción: El número total esperado de pares relevantes se calcula sumando el producto de las probabilidades de ocupación y la expectativa histórica de relevancia para todos los pares de tramos de ruta.

Resultados Clave

• Rendimiento del Filtro: El filtro actualizado demostró un rendimiento superior sobre el algoritmo original, con una Precisión, Recall y puntuación F1 de 0.84 (frente a 0.67, 0.72 y 0.69 respectivamente) en el conjunto de pruebas etiquetado por ATCOs.
• Precisión del Pronóstico: Al pronosticar pares relevantes con 30 y 45 minutos de antelación, el método propuesto logró un coeficiente de correlación de rangos de Spearman ($\rho$) de 0.68 con el número real de pares relevantes identificados por el filtro.
• Comparación con la Línea Base: Esta correlación fue significativamente más fuerte que la de una predicción estándar de volumen de tráfico (contando aeronaves en el sector), que arrojó un $\rho$ de 0.55.
• Significancia Estadística: Un análisis de bootstrap de bloques móviles confirmó que la correlación del método propuesto con la carga de trabajo real fue estadísticamente significativamente mayor que la línea base de volumen de tráfico (diferencia media 0.134, IC del 95% [0.064, 0.211], $p=0.0004$ para la proyección de 45 minutos).
• Eficiencia Computacional: La herramienta genera predicciones en menos de un segundo en una computadora portátil estándar, lo que la hace viable para su aplicación en tiempo real dentro de un solo barrido de radar (~6 segundos).

Significancia y Afirmaciones
El artículo afirma que la herramienta basada en datos propuesta ofrece un proxy más preciso para la carga de trabajo del ATCO que los estándares industriales actuales al centrarse en "interacciones relevantes" en lugar del volumen bruto de tráfico. Al aprovechar la modelación probabilística de los tiempos de llegada y una representación basada en grafos del espacio aéreo, el método tiene en cuenta la incertidumbre y las realidades operativas (como las desviaciones) que los modelos deterministas pasan por alto.

Los autores postulan que esta herramienta tiene el potencial de apoyar a los supervisores de grupo en la toma de decisiones informadas sobre la configuración de sectores y la asignación de turnos de ATCO. El estudio enfatiza que el enfoque está específicamente ajustado a las características geométricas y operativas del sector LMS. Si bien los resultados son prometedores, los autores señalan que la evaluación se limitó a un solo día y a un solo sector. En consecuencia, afirman que la herramienta requiere mayor calibración y evaluación en diferentes estaciones y sectores antes de poder desplegarse más ampliamente, particularmente para sectores por encima del rango de altitud actual del LMS.