Unlocking air traffic flow prediction through microscopic aircraft-state modeling

Resumen Técnico: Desbloqueando la predicción del flujo de tráfico aéreo mediante el modelado microscópico del estado de las aeronaves

Planteamiento del problema
La predicción del flujo de tráfico aéreo a corto plazo en el espacio aéreo terminal (TA) es crítica para una gestión del tráfico aéreo (ATM) proactiva; sin embargo, los enfoques existentes dependen predominantemente de un paradigma de pronóstico de series temporales macroscópicas. En este marco convencional, las trayectorias individuales de las aeronaves se agregan en secuencias de flujo macroscópicas o tensores espacio-temporales antes de la predicción. Los autores argumentan que esta agregación oscurece información detallada esencial para la dinámica del tráfico, como la cinemática de las aeronaves, las interacciones con los límites y la intención de control. Además, estos métodos suelen requerir ventanas de observación históricas y son sensibles a los artefactos de discretización y a la pérdida de información inherente al comprimir estados de aeronaves continuos y de cardinalidad variable en representaciones de series temporales fijas. El desafío central abordado es si los estados microscópicos instantáneos de las aeronaves pueden proporcionar información suficiente para una predicción precisa del flujo futuro sin depender de secuencias de flujo históricas.

Metodología: El marco AeroSense
Para abordar estas limitaciones, el artículo propone AeroSense, un marco de modelado de estado-a-flujo que establece un mapeo de extremo a extremo desde los estados microscópicos instantáneos de las aeronaves hacia los flujos de tráfico regionales futuros.

1. Paradigma de Estado-a-Flujo: En lugar de tratar el espacio aéreo como una serie temporal, AeroSense modela la situación instantánea del espacio aéreo en el tiempo $t$ como un conjunto dinámico y desordenado de estados de aeronaves, $S_t = \{s_1, \dots, s_{N_t}\}$. La cardinalidad $N_t$ varía a medida que las aeronaves entran y salen del espacio aéreo.
2. Representación del Estado Microscópico: El vector de estado de cada aeronave $s_i \in \mathbb{R}^{18}$ se construye a partir de datos ADS-B y codifica cinco componentes distintos:
   • Localización: Latitud, longitud y altitud.
   • Cinemática: Velocidad terrestre, velocidad vertical y ángulo de rumbo.
   • Intención de Control: Velocidad aérea y altitud seleccionadas (del Panel de Control de Modo).
   • Interacciones de Límite: Distancia a los límites del espacio aéreo (AP y AR), factores de aproximación (similitud de coseno entre la velocidad y el vector hacia el centro del espacio aéreo) e indicadores de inclusión en el espacio aéreo.
   • Contexto Temporal: Embeddings cíclicos para hora y minuto.
3. Arquitectura del Modelo:
   • Gestión de Cardinalidad Variable: El conjunto dinámico se rellena (padding) hasta una capacidad máxima fija ($N_{max}=120$) y se procesa mediante un Perceptrón de Capa Multicapa (MLP) compartido para generar embeddings latentes.
   • Modelado de Interacción: Un mecanismo de autoatención enmascarada (masked self-attention) captura las dependencias entre aeronaves. Una matriz de máscara asegura que los estados de relleno (entradas ficticias) no influyan en los pesos de atención, permitiendo que el modelo se concentre únicamente en las interacciones válidas entre aeronaves.
   • Agregación: Los autores emplean SumPooling (en lugar de Mean o Max pooling) para agregar los embeddings. Esta elección está motivada por la naturaleza del flujo de tráfico como una cantidad acumulativa que depende del número de aeronaves, preservando la escala del conjunto en la representación global.
   • Cabezales de Predicción Desacoplados: Dos cabezales de predicción independientes estiman los volúmenes de tráfico futuros para el Espacio Aéreo de Aproximación (AP) y la Región de Control del Espacio Aéreo (AR) por separado, reconociendo sus distintas dinámicas de flujo.

• Entrenamiento: El modelo se optimiza utilizando una función de pérdida Huber multitarea sobre ambos objetivos de espacio aéreo.

Contribuciones Clave

• Cambio de Paradigma: El trabajo redefine la predicción del flujo de tráfico aéreo de un problema de series temporales macroscópicas a un problema de aprendizaje de estado-a-flujo microscópico, alineando la representación del aprendizaje con el estado físico real del tráfico (un conjunto dinámico de aeronaves).
• Marco AeroSense: Introducción de un marco que elimina la necesidad de ventanas de observación históricas y de hiperparámetros especificados manualmente, acomodando naturalmente la densidad variable del tráfico y permitiendo la inferencia en tiempo real por streaming.
• Representaciones con Base Física: El diseño incorpora las interacciones de los límites y la intención de control como sesgos inductivos, permitiendo que el modelo razone sobre la evolución del tráfico basándose en la dinámica de vuelo en lugar de solo en correlaciones estadísticas.
• Diseño de Arquitectura: Se demuestra que la combinación específica de autoatención enmascarada para el modelado de interacciones y SumPooling para la agregación sensible a la escala es crítica para el rendimiento.

Resultados Experimentales
El marco fue evaluado en un conjunto de datos del mundo real a gran escala de un espacio aéreo terminal de un aeropuerto internacional (marzo–octubre de 2025), prediciendo volúmenes de tráfico con 15 minutos de antelación para las regiones AP y AR.

• Rendimiento vs. SOTA: AeroSense superó consistentemente a los modelos representativos de series temporales del Estado del Arte (SOTA) (incluyendo Autoformer, FEDformer, TimesNet e iTransformer). En la región de alta densidad AR, AeroSense redujo el Error Absoluto Medio (MAE) aproximadamente un 22.7% en comparación con el competidor más fuerte (TimesNet).
• Estudios de Ablación:
  • Eliminar el mecanismo de autoatención enmascarada degradó significativamente el rendimiento, confirmando la necesidad de modelar las interacciones entre aeronaves.
  • Eliminar los estados de interacción de límite provocó caídas claras en el rendimiento, validando la importancia de las pistas geométricas sobre las coordenadas GPS absolutas por sí solas.
  • Reemplazar SumPooling por Mean o Max pooling causó una degradación sustancial del rendimiento, particularmente en escenarios de alta densidad, reforzando que la predicción del flujo de tráfico depende del conteo de aeronaves en lugar de los estados promedio.
• Robustez: AeroSense demostró una robustez superior durante los períodos de alta volatilidad (por ejemplo, picos matutinos y transiciones nocturnas tardías), donde los modelos de series temporales convencionales exhibieron picos de error pronunciados. El modelo mantuvo un perfil de error más suave, logrando un rendimiento Pareto-óptimo en las evaluaciones multiobjetivo de segmentación por franjas horarias (dayparting).
• Comparación con Baselines Basados en Conjuntos: Aunque los modelos genéricos basados en conjuntos (DeepSets, SetTransformer) funcionaron mejor que los baselines de series temporales, AeroSense logró los errores más bajos, lo que indica que el diseño específico consciente del espacio aéreo (representación de estado y cabezales desacoplados) proporciona un valor adicional más allá del modelado invariante a la permutación genérico.

Significado y Reivindicaciones
El artículo afirma que las situaciones instantáneas del espacio aéreo proporcionan una alternativa efectiva a los paradigios convencionales de pronóstico basados en series temporales. Al modelar directamente los estados microscópicos de las aeronaves, AeroSense preserva la dinámica detallada y mitiga la pérdida de información causada por la agregación. Los autores aseguran que este enfoque no solo mejora la precisión predictiva promedio, sino que también ofrece beneficios prácticos para su despliegue: simplifica la inferencia por streaming en tiempo real al eliminar la necesidad de almacenamiento persistente de trayectorias históricas y largas ventanas de observación. Los hallazgos sugieren que los futuros sistemas de gestión del tráfico aéreo podrían beneficiarse de un cambio de enfoque desde las estadísticas de flujo agregadas hacia el modelado de estados instantáneos conscientes del estado del espacio aéreo.