Resumen Técnico: Pronóstico del Tráfico de Pasajeros de la Aviación Civil mediante un Modelo Híbrido de SSA y MLP-BP Optimizado por Búsqueda de Gorriones

1. Planteamiento del Problema

El pronóstico preciso del tráfico de pasajeros de la aviación civil es crítico para las operaciones de las aerolíneas, la planificación de redes de rutas y la asignación de capacidad. Sin embargo, las fluctuaciones de la demanda post-pandemia han introducido desafíos significativos, caracterizados por una alta volatilidad, no estacionariedad, estacionalidad y no linealidad. Los métodos estadísticos tradicionales (p. ej., ARIMA) tienen dificultades con los datos no lineales, mientras que las redes neuronales estándar (p. ej., MLP-BP) a menudo sufren de problemas de inicialización aleatoria, convergencia lenta y una tendencia a quedar atrapadas en óptimos locales. Estas limitaciones provocan errores de pronóstico que resultan en capacidad desperdiciada (sobreestimación) o pérdida de oportunidades de ingresos (subestimación), con impactos económicos potenciales que oscilan entre millones de dólares en costos operativos hasta interrupciones en el servicio. Los modelos híbridos existentes a menudo no logran una optimización global o no extraen eficazmente características multiescala de series temporales no estacionarias.

2. Metodología

El estudio propone un marco de pronóstico híbrido, SSA-MLP-BP-SpSA, que integra tres componentes principales: el Análisis de Espectro Singular (SSA), un Perceptrón Multicapa entrenado mediante Retropropagación (MLP-BP) y el Algoritmo de Búsqueda de Gorriones (SpSA).

2.1 Preprocesamiento de Datos: Análisis de Espectro Singular (SSA)

El SSA se emplea para descomponer la serie temporal no estacionaria original en componentes interpretables, separando eficazmente la señal del ruido. El proceso involucra cuatro pasos:

1. Incrustación (Embedding): Mapeo de la serie temporal original en una matriz de trayectoria.
2. Descomposición: Realización de la Descomposición en Valores Singulares (SVD) sobre la matriz de trayectoria.
3. Agrupación: Agrupación de las matrices elementales resultantes en subcolecciones disjuntas para aislar características específicas.
4. Reconstrucción: Uso de promediación diagonal para reconstruir la serie temporal en distintos componentes:
   • Componente de Tendencia (IMF4): Refleja el crecimiento a largo plazo y los ciclos de planificación de flota.
   • Componentes Estacionales (IMF2, IMF3): Capturan picos periódicos como el Festival de la Primavera y las temporadas de viajes de verano.
   • Componentes de Ruido/Alta Frecuencia (IMF1, Residual): Representan fluctuaciones irregulares y perturbaciones aleatorias.

.2 Modelo de Predicción: MLP-BP

Se utiliza un Perceptrón Multicapa (MLP) con una arquitectura de alimentación hacia adelante (feedforward) para modelar los componentes descompuestos. La estructura de la red consiste en una capa de entrada, dos capas ocultas (de 16 y 32 neuronas respectivamente) y una capa de salida.

• Activación: Se utiliza la función ReLU en las capas ocultas para mitigar el desvanecimiento del gradiente.
• Entrenamiento: Se utiliza el algoritmo de Retropropagación (BP) para la retropropagación del error y la actualización de pesos.
• Optimización: Se utiliza el optimizador Adam para las actualizaciones iterativas de parámetros.

2.3 Optimización de Parámetros: Algoritmo de Búsqueda de Gorriones (SpSA)

Para abordar las limitaciones del entrenamiento estándar de BP (óptimos locales e inestabilidad), se introduce el SpSA para optimizar globalmente los pesos y sesgos iniciales de la red MLP-BP.

• Mecanismo: El algoritmo simula el comportamiento de forrajeo de los gorriones con una población de "descubridores" (que guían la búsqueda), "seguidores" (que rastrean a los descubridores) y "centinelas" (reconocimiento/alerta).
• Función de Aptitud (Fitness Function): El Error Cuadrático Medio (RMSE) o el Error Absoluto Medio (MAE) de la red sirve como función de aptitud a minimizar.
• Proceso: El SpSA actualiza iterativamente las posiciones de los gorriones (parámetros de la red) basándose en los valores de aptitud hasta la convergencia, asegurando que el MLP-BP comience su entrenamiento desde un estado optimizado globalmente.

2.4 Marco General

El flujo de trabajo de modelado procede de la siguiente manera:

1. Estandarizar y normalizar los datos mensuales de pasajeros (2005–2024).
2. Descomponer los datos mediante SSA en componentes de tendencia, estacionales y de ruido.
3. Entrenar modelos MLP-BP separados para cada componente descompuesto.
4. Optimizar los parámetros del MLP-BP utilizando SpSA.
5. Reconstruir el pronóstico final integrando las predicciones de todos los componentes.
6. Evaluar el desempeño utilizando $R^2$, MAE y RMSE.

3. Contribuciones Clave

1. Desarrollo de un Marco Híbrido: Se desarrolla un marco unificado que combina la descomposición de series temporales, el aprendizaje no lineal y la optimización inteligente, diseñado específicamente para la naturaleza volátil, estacional e incierta de la post-pandemia en el tráfico de aviación civil.
2. Interpretabilidad vía SSA: La introducción de SSA permite la extracción de distintos componentes de tendencia, estacionales e irregulares. Esto mejora la interpretabilidad del proceso de pronóstico, vinculando salidas específicas del modelo con decisiones operativas como la planificación de flota (tendencia) y la programación de picos (estacionalidad).
3. Optimización Global: El empleo de SpSA para optimizar los parámetros de MLP-BP reduce el riesgo de óptimos locales y mejora la estabilidad del modelo bajo condiciones de demanda altamente fluctuantes.
4. Validación Empírica: El modelo es validado utilizando datos mensuales de pasajeros de China (2005–2024), demostrando valor práctico para la planificación de capacidad y la gestión operativa.

4. Resultados

El estudio utilizó datos mensuales de pasajeros de la Administración de Aviación Civil de China (CAAC) de 2005 a 2024, dividiendo los datos en un conjunto de entrenamiento del 80% y un conjunto de prueba del 20%.

• Métricas de Desempeño: El modelo propuesto SSA-MLP-BP-SpSA logró un $R^2$ de 0.987 y un RMSE de 179.71 en el conjunto de prueba.
• Análisis Comparativo:
  • Vs. Modelos Simples: El modelo híbrico superó significativamente al modelo MLP-BP independiente (que tuvo un $R^2$ de 0.628 y un RMSE de 3206.193).
  • Vs. Híbridos Parciales: Superó a los modelos que solo utilizaban descomposición (SSA-MLP-BP, $R^2$ 0.761) o solo optimización (MLP-BP-SpSA, $R^2$ 0.832).
  • Vs. Otras Redes Neuronales: En comparaciones con modelos BiLSTM, GRU y LSTM preprocesados con SSA, el modelo SSA-MLP-BP-SpSA demostró una precisión y estabilidad superiores, particularmente durante puntos de inflexión críticos del mercado y periodos de fluctuación brusca.
• Distribución del Error: El modelo exhibió un intervalo de confianza del 95% estrecho y residuos concentrados en el rango de valores bajos, lo que indica una alta estabilidad estadística y un control de error efectivo.
• Puntos de Giro: El modelo capturó con éxito los principales puntos de giro, como las fases de crecimiento rápido y los picos estacionales, con una desviación mínima respecto a los valores reales.

5. Significación y Reivindicaciones

Los autores afirman que el enfoque propuesto ofrece un soporte fiable para el pronóstico de la demanda de la aviación civil, abordando los desafíos específicos de la no estacionariedad y la no linealidad en la era post-pandemia.

• Soporte de Decisión Operativa: El modelo se posiciona como una herramienta para asistir a las aerolíneas y operadores de aeropuertos en:
  • Corto Plazo: Ajustar la capacidad y la programación de vuelos durante periodos pico (p. ej., Festival de la Primavera, temporada de verano) para reducir la asignación errónea de recursos.
  • Medio a Largo Plazo: Informar la planificación de flota y la expansión de la infraestructura aeroportuaria basada en la identificación precisa de tendencias.
• Impacto Económico: El estudio sugiere que reducir los errores de pronóstico (p. ej., de ~15-20% en modelos tradicionales a <1.2% en el modelo propuesto) puede ahorrar a las aerolíneas millones de dólares anualmente al optimizar la compra de combustible, la programación de tripulaciones y la gestión de inventarios, mejorando simultáneamente los factores de carga de los vuelos y la satisfacción del cliente.
• Limitaciones: Los autores reconocen que el modelo tiene una alta complejidad computacional, lo que limita su aplicación en escenarios de tiempo real de alta frecuencia. También señalan que el estudio actual utiliza datos mensuales agregados y no incorpora explícitamente variables exógenas (p. ej., indicadores macroeconómicos, cambios de política) o heterogeneidad a nivel de ruta. Se sugiere que el trabajo futuro se centre en la computación paralela, mecanismos de actualización adaptativos y la integración de datos de múltiples fuentes.