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

Sintesi Tecnica: Previsioni di Complessità Basate su Grafi nello Spazio Aereo En Route del Regno Unito Utilizzando Interazioni Aeree Rilevanti

Enunciato del Problema
Una gestione efficace del carico di lavoro degli Operatori di Controllo del Traffico Aereo (ATCO) è fondamentale per la sicurezza operativa. I supervisori di gruppo fanno attualmente affidamento su strumenti che stimano il carico di traffico per informare le decisioni relative alla configurazione dei settori e alla pianificazione dei turni. Tuttavia, i modelli di complessità standard del settore spesso non riescono a cogliere le sfumature della complessità del traffico aereo. Questi modelli si basano tipicamente su previsioni deterministiche delle traiettorie e su misure euristica (ad esempio, il numero totale di aeromobili o gli aeromobili in salita/discesa) che mancano della fedeltà necessaria per modellare accuratamente le configurazioni future del traffico. Spesso sovrastimano la complessità in scenari a basso traffico dove si verificano sovrapposizioni specifiche di rotte e non tengono conto dell'incertezza intrinseca nei tempi di arrivo degli aeromobili e della probabilità che gli aeromobili vengano deviati dalle loro rotte pianificate. Inoltre, la complessità è specifica del settore e guidata da interazioni "rilevanti" piuttosto che dal semplice volume, rendendo difficili le misure numeriche generalizzabili.

Metodologia
Lo studio propone un quadro probabilistico per prevedere la complessità dello spazio aereo nel Settore Medio di Londra (LMS), un'area complessa con molteplici flussi in salita e discesa sopra i principali aeroporti europei. La metodologia consta di tre componenti principali:

1. Adattamento di un Filtro per Aeromobili Rilevanti:
   Gli autori hanno adattato un algoritmo esistente di filtraggio dei voli (originariamente di Vijay Kumbhar et al.) per fungere da proxy per il carico di lavoro degli ATCO. Questo filtro identifica coppie di aeromobili "rilevanti" – quelli che richiedono monitoraggio o deconfliction – piuttosto che solo quelli in conflitto immediato.

   • Raffinamento Iterativo: Attraverso feedback qualitativi da ATCO abilitati presso il Centro di Swanwick, il filtro è stato tarato per il LMS. Ciò ha comportato la regolazione dei parametri (ad esempio, soglie di distanza laterale, intervalli di distanza verticale) e l'incorporazione di nuove logiche:
     • Gestione in scia: Esclusione degli aeromobili con velocità relativa trascurabile all'interno di un cono laterale specifico.
     • Rotte divergenti: Esclusione degli aeromobili con sufficiente separazione laterale su percorsi divergenti.
     • Profilatura verticale basata sui dati: Sostituzione delle semplici intersezioni di intervalli di livello di volo con previsioni probabilistiche delle traiettorie (utilizzando un intervallo di credibilità a 2σ) per modellare i coni di salita e discesa, riducendo i falsi positivi.
     • Previsione operativa delle traiettorie: Utilizzo dell'ultima istruzione (autorizzazione) emessa dall'ATCO piuttosto che solo del piano di volo depositato o di assunzioni basate sullo stato per generare le traiettorie degli aeromobili soggetti.
   • Valutazione: Il filtro tarato è stato validato contro 50 scenari di traffico statici etichettati dagli ATCO, ottenendo un punteggio F1 di 0,84 rispetto a 0,69 per i parametri originali.

2. Rappresentazione delle Rotte Basata su Grafi:
   Per facilitare la previsione, gli autori hanno costruito una rappresentazione del grafo ricampionato della rete di rotte del LMS.

   • Ricampionamento: I piani di volo storici (gennaio–dicembre 2024) sono stati convertiti in un grafo in cui gli spigoli sono stati suddivisi linearmente e raggruppati per garantire una fedeltà spaziale coerente (spigoli da 5 a 10 NM). Ciò ha standardizzato i tratti di rotta, consentendo la raccolta di rotte simili e previsioni spaziali più fini.
   • Ricerca: È stata creata una tabella di traduzione per mappare i punti di riferimento originali del piano di volo alla struttura del grafo ricampionato.

3. Previsione Probabilistica della Complessità:
   Il metodo di previsione stima il numero di coppie di aeromobili rilevanti fino a 45 minuti in anticipo combinando:

   • Dati Operativi in Tempo Reale: Previsioni dei tempi di arrivo dal Processore di Dati di Volo del Sistema di Spazio Aereo Nazionale NATS (NAS FDP).
   • Probabilità di Occupazione: Un modello statistico che assume che i tempi di arrivo degli aeromobili ai punti di riferimento seguano una distribuzione normale ($N(\mu, \sigma^2)$, con $\sigma=5$ minuti). Ciò calcola la probabilità che un aeromobile occupi un specifico segmento di rotta in un momento futuro di interrogazione.
   • Priors Storici: Un valore atteso empirico ($E[X | O_i, O_j]$) derivato da dati storici, che rappresenta la probabilità che due aeromobili che occupano specifici tratti di rotta ($O_i, O_j$) costituiscano una coppia rilevante.
   • Formula di Previsione: Il numero totale atteso di coppie rilevanti è calcolato sommando il prodotto delle probabilità di occupazione e dell'aspettativa storica di rilevanza per tutte le coppie di tratti di rotta.

Risultati Chiave

• Prestazioni del Filtro: Il filtro aggiornato ha dimostrato prestazioni superiori rispetto all'algoritmo originale, con Precisione, Recall e punteggio F1 di 0,84 (rispetto a 0,67, 0,72 e 0,69 rispettivamente) sul set di test etichettato dagli ATCO.
• Accuratezza della Previsione: Quando si prevedono coppie rilevanti 30 e 45 minuti in anticipo, il metodo proposto ha raggiunto un coefficiente di correlazione di rango di Spearman ($\rho$) di 0,68 con il numero effettivo di coppie rilevanti identificate dal filtro.
• Confronto con la Linea di Base: Questa correlazione è stata significativamente più forte di una previsione standard del volume di traffico (conteggio degli aeromobili nel settore), che ha prodotto un $\rho$ di 0,55.
• Significatività Statistica: Un'analisi di bootstrap a blocchi mobili ha confermato che la correlazione del metodo proposto con il carico di lavoro effettivo è statisticamente significativamente più alta rispetto alla linea di base del volume di traffico (differenza media 0,134, IC 95% [0,064, 0,211], $p=0,0004$ per l'orizzonte temporale di 45 minuti).
• Efficienza Computazionale: Lo strumento genera previsioni in meno di un secondo su un laptop standard, rendendolo fattibile per l'applicazione in tempo reale all'interno di una singola scansione radar (~6 secondi).

Significato e Affermazioni
Il documento afferma che lo strumento basato sui dati proposto offre un proxy più accurato per il carico di lavoro degli ATCO rispetto agli standard attuali del settore, concentrandosi sulle "interazioni rilevanti" piuttosto che sul volume grezzo del traffico. Sfruttando la modellazione probabilistica dei tempi di arrivo e una rappresentazione basata su grafi dello spazio aereo, il metodo tiene conto dell'incertezza e delle realtà operative (come le deviazioni) che i modelli deterministici trascurano.

Gli autori ipotizzano che questo strumento abbia il potenziale per supportare i supervisori di gruppo nel prendere decisioni informate riguardo alla configurazione dei settori e alla pianificazione dei turni degli ATCO. Lo studio sottolinea che l'approccio è specificamente tarato sulle caratteristiche geometriche e operative del settore LMS. Sebbene i risultati siano promettenti, gli autori osservano che la valutazione è stata limitata a un singolo giorno e a un singolo settore. Di conseguenza, affermano che lo strumento richiede ulteriore calibrazione e valutazione in diverse stagioni e settori prima di poter essere implementato più ampiamente, in particolare per i settori al di sopra dell'attuale intervallo di altitudine del LMS.