Graph machine learning for flight delay prediction due to holding manouver

Este estudo aplica técnicas de Aprendizado de Máquina em Grafos para prever atrasos de voos causados por manobras de espera, demonstrando que um modelo CatBoost enriquecido com características de grafos supera as Redes de Atenção Gráfica (GAT) em dados desbalanceados e oferece uma ferramenta web para simulação em tempo real, visando melhorar a eficiência operacional e a experiência dos passageiros.

O essencial

Imagine que o céu é uma cidade gigante e muito movimentada, onde os aviões são como carros em um trânsito caótico. Às vezes, quando o aeroporto de destino está cheio, chove muito ou o controle de tráfego precisa organizar a fila, os pilotos recebem uma ordem para ficar dando voltas no ar (o que chamamos de "manobra de espera" ou holding).

Isso é como se você estivesse dirigindo e, ao chegar no seu destino, o semáforo estivesse fechado. Você é obrigado a dar voltas no quarteirão até que alguém diga: "Agora pode entrar".

O problema é que essas voltas gastam muito combustível, poluem o ar e deixam os passageiros nervosos. A pergunta que os autores deste estudo fizeram foi: "Será que conseguimos prever, antes mesmo de o avião decolar, se ele vai ter que dar essas voltas no ar?"

Aqui está a explicação do que eles fizeram, usando analogias simples:

1. O Grande Desafio: O "Trânsito" não é uma Lista

A maioria dos computadores tenta prever atrasos olhando para uma planilha (como o Excel). Eles veem dados como: "Vento forte", "Aeroporto lotado", "Horário do voo". É como tentar prever um engarrafamento olhando apenas para a lista de carros, sem olhar para a rua onde eles estão.

Os autores disseram: "Espera aí! O céu não é uma lista, é uma rede."
Um voo de São Paulo para o Rio não depende só desses dois lugares. Ele depende de tudo o que acontece em Minas Gerais, no Rio, e em como os voos se conectam. É como se cada aeroporto fosse uma pessoa em uma festa, e o voo fosse uma conversa entre elas.

2. A Solução: Transformando o Céu em um Mapa de Conexões

Para resolver isso, eles transformaram os dados em um Grafo (um desenho de pontos e linhas).

• Pontos (Nós): São os aeroportos.
• Linhas (Arestas): São os voos entre eles.
• Espessura das Linhas: Mostra quantos voos passam por ali (mais grossa = mais trânsito).

Eles usaram duas "ferramentas" (inteligências artificiais) diferentes para tentar prever se um avião vai ficar dando voltas:

Ferramenta A: O Detetive Experiente (CatBoost + Métricas de Rede)

Imagine um detetive muito esperto que não usa redes neurais complexas, mas sim dicas do mapa.

• Antes de analisar o voo, ele olha para o mapa inteiro e calcula coisas como: "Quem é o aeroporto mais importante?", "Quais rotas são as mais congestionadas?", "Se um aeroporto fecha, quem fica isolado?".
• Ele pega essas "dicas" (chamadas de métricas de centralidade e conectividade) e as coloca na planilha junto com os dados do clima.
• Resultado: O detetive foi muito eficiente. Como o problema é difícil (a maioria dos voos não fica dando voltas, é um evento raro), ele aprendeu a não se confundir e acertou bastante, além de poder explicar por que achou que haveria um atraso (ex: "O aeroporto X está muito sobrecarregado").

Ferramenta B: O Estudante Genial (Graph Attention Network - GAT)

Imagine um estudante super inteligente que tenta aprender sozinho olhando para a estrutura da rede, sem receber dicas prévias.

• Ele tenta aprender quais vizinhos são importantes olhando diretamente para as conexões. É como se ele dissesse: "Vou prestar mais atenção no voo que vem do aeroporto A do que no que vem do B".
• O Problema: Como o evento (ficar dando voltas) é muito raro, esse estudante ficou confuso. Ele tentou aprender padrões muito complexos e acabou "decorando" os dados de treino em vez de aprender a regra geral. Ele teve um desempenho pior e menos estável do que o detetive.

3. O Veredito: O que Funcionou?

O estudo descobriu que, para esse problema específico de voos, o Detetive (CatBoost) venceu o Estudante Genial (GAT).

• Por que? Porque o problema é desequilibrado (muitos voos normais, poucos atrasos por espera). O modelo que usou as "dicas do mapa" (as métricas de rede) conseguiu entender o contexto melhor do que o modelo que tentou aprender tudo do zero.
• A Grande Lição: Às vezes, adicionar inteligência humana (entender a estrutura da rede e criar boas características) é melhor do que apenas jogar dados brutos em uma inteligência artificial supercomplexa.

4. O Presente: Um "Simulador de Trânsito"

Para mostrar que isso é útil no mundo real, eles criaram um site interativo (uma ferramenta web).

• Imagine um mapa do Brasil onde você pode clicar em um voo e ver, em tempo real, a probabilidade dele ter que dar voltas no ar.
• Isso ajuda as companhias aéreas e o controle de tráfego a planejar melhor, economizar combustível e deixar os passageiros mais felizes.

Resumo Final

Os autores pegaram um problema chato (voos dando voltas no ar), transformaram o céu em um mapa de conexões e usaram uma inteligência artificial que combinou dados de clima com inteligência sobre a estrutura da rede de voos. Eles provaram que, para prever esses atrasos raros, é melhor usar um modelo que entende o "cenário" (o mapa) do que um modelo que tenta adivinhar tudo sozinho.

É como prever o trânsito: não basta olhar para o carro; você precisa entender como a cidade inteira está conectada!

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Graph machine learning for flight delay prediction due to holding maneuver", apresentado em português:

1. Problema e Contexto

O estudo aborda o desafio crítico de prever atrasos de voos causados por manobras de espera (holding maneuvers). Essas manobras ocorrem quando aeronaves são instruídas a circular em áreas designadas devido a congestionamento aeroportuário, condições meteorológicas adversas ou restrições de controle de tráfego aéreo.

• Impacto: Embora essenciais para a segurança, as manobras de espera aumentam o consumo de combustível, as emissões de poluentes e a insatisfação dos passageiros.
• Limitação das Abordagens Atuais: Modelos tradicionais de aprendizado de máquina (ML) utilizam predominantemente dados tabulares, o que limita sua capacidade de capturar as relações espaciais e temporais complexas e as interdependências intrínsecas na rede de tráfego aéreo. A literatura específica sobre previsão de "holding" com abordagens baseadas em redes é escassa.

2. Metodologia

Os autores propõem modelar o problema de previsão como um problema de predição de características de aresta (edge feature prediction) em um grafo direcionado (multigrafo). Foram comparadas duas abordagens principais:

A. Representação dos Dados

• Grafo: Os aeroportos são representados como nós e os voos como arestas direcionadas. Devido a múltiplos voos entre os mesmos pares de aeroportos, o grafo é tratado como um multigrafo direcionado ponderado, onde o peso da aresta representa o volume total de voos entre dois aeroportos.
• Atributos: Os dados incluem características meteorológicas (METAR/METAF), geográficas (distância, altitude, coordenadas) e específicas do voo (hora, histórico de mudanças de cabeceira de pista).

B. Abordagem 1: CatBoost com Features de Grafo

• Modelo: Utilização do algoritmo CatBoost (Gradient Boosting), escolhido por sua robustez em lidar com dados categóricos e desbalanceamento de classes.
• Engenharia de Features: O diferencial desta abordagem é a extração de métricas de teoria de redes a partir do grafo de tráfego aéreo e sua codificação como atributos tabulares para o modelo. As métricas calculadas incluem:
  • Betweenness Centrality (Centralidade de Intermediação) e Flow Betweenness.
  • Edge Connectivity (Conectividade de Arestas).
  • Degree Difference (Diferença entre graus de entrada e saída).
  • Google Matrix (uma adaptação do PageRank para arestas).
• Objetivo: Incorporar a importância estrutural e a dinâmica de fluxo da rede de aeroportos no modelo preditivo.

C. Abordagem 2: Graph Attention Network (GAT)

• Modelo: Implementação de uma Rede Neural de Atenção em Grafos (GAT) para aprender representações de nós e arestas de forma end-to-end.
• Adaptação: O modelo foi adaptado para prever características de arestas (o atraso de espera) em vez de apenas características de nós. Utiliza um mecanismo de atenção que pondera a importância dos vizinhos e das características da aresta (incluindo os dados tabulares do voo) durante a agregação.
• Desafio: O modelo GAT foi testado em várias configurações de camadas (de 1 a 30) para capturar dependências de longo alcance na rede.

3. Resultados e Desempenho

O estudo foi realizado em um conjunto de dados desbalanceado (aproximadamente 41.616 voos sem espera vs. 720 com espera).

• CatBoost: Demonstrou desempenho superior e mais equilibrado.
  • Acurácia: 0,90.
  • Recall (Sensibilidade): 0,58 (capacidade de detectar os eventos raros de espera).
  • F1-Score: 0,16.
  • Interpretabilidade: O modelo permitiu a análise de importância das features via XAI (Explainable AI), mostrando que métricas de grafo (como betweenness e Google Matrix) são relevantes para a previsão.
• GAT: Apresentou dificuldades significativas com o desbalanceamento de classes.
  • Embora algumas configurações (ex: 1 camada) tivessem alta acurácia (0,95), o F1-Score foi extremamente baixo (0,04) e o Recall (0,06) indicou que o modelo falhava em prever a classe minoritária (voos com espera), tendendo a prever a classe majoritária (sem espera).
  • Configurações mais profundas (30 camadas) pioraram o desempenho, indicando problemas de sobreajuste (overfitting) e instabilidade.

4. Contribuições Principais

1. Aplicação Pioneira: É, segundo os autores, a primeira aplicação de abordagens de Graph ML para prever atrasos específicos causados por manobras de espera.
2. Engenharia de Features de Grafo: Demonstrou a eficácia de extrair métricas de centralidade e conectividade de arestas em grafos direcionados ponderados e integrá-las a modelos de boosting tradicionais.
3. Comparação de Paradigmas: Evidenciou que, para conjuntos de dados altamente desbalanceados e com ruído, modelos tabulares enriquecidos com features de grafo (CatBoost) podem superar redes neurais profundas puramente baseadas em grafos (GAT), que tendem a negligenciar a classe minoritária.
4. Ferramenta Operacional: Desenvolvimento de uma ferramenta web interativa (Airdelay, baseada em Streamlit e Folium) que permite aos usuários simular cenários operacionais e visualizar previsões de atrasos em tempo real.

5. Significância e Conclusão

O estudo conclui que a abordagem baseada em CatBoost com features de grafo é a mais viável para o cenário atual de previsão de holding, oferecendo um equilíbrio entre desempenho preditivo e interpretabilidade.

• Implicações Práticas: A melhoria na previsão de atrasos pode levar a uma otimização no agendamento de voos, redução no consumo de combustível e emissões, e melhoria na experiência do passageiro.
• Futuro: Os autores sugerem que trabalhos futuros devem focar em técnicas de imputação de dados desbalanceados (como GraphSMOTE), exploração de topologia de grafos de ordem superior e modelos híbridos que combinem GNNs com árvores de decisão.

Em resumo, o paper valida que a incorporação de topologia de rede em modelos de aprendizado de máquina tradicionais é uma estratégia poderosa e interpretável para resolver problemas complexos de tráfego aéreo, superando, neste caso específico, as redes neurais gráficas puras.