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

Resumo Técnico: Previsões de Complexidade Baseadas em Grafos no Espaço Aéreo En Route do Reino Unido Utilizando Interações Relevantes entre Aeronaves

Declaração do Problema
A gestão eficaz da carga de trabalho do Oficial de Controle de Tráfego Aéreo (ATCO) é crítica para a segurança operacional. Os supervisores de grupo atualmente dependem de ferramentas que estimam a carga de tráfego para informar decisões relacionadas à configuração de setores e escalonamento de pessoal. No entanto, os modelos de complexidade padrão da indústria frequentemente falham em capturar as nuances da complexidade do tráfego aéreo. Esses modelos geralmente dependem de previsões de trajetória determinísticas e medidas heurísticas (por exemplo, contagem total de aeronaves ou aeronaves em subida/descida), que carecem da fidelidade necessária para modelar com precisão futuras configurações de tráfego. Eles frequentemente superestimam a complexidade em cenários de baixo tráfego onde ocorrem sobreposições específicas de rotas e não levam em conta a incerteza inerente aos horários de chegada das aeronaves e a probabilidade de aeronaves serem desviadas de suas rotas declaradas. Além disso, a complexidade é específica do setor e impulsionada por interações "relevantes" e não pelo volume simples, tornando difícil a criação de medidas numéricas generalizáveis.

Metodologia
O estudo propõe uma estrutura probabilística para prever a complexidade do espaço aéreo no Setor Médio de Londres (LMS), uma área complexa com múltiplos fluxos de subida e descida acima dos principais aeroportos europeus. A metodologia consiste em três componentes principais:

1. Adaptação de um Filtro de Aeronaves Relevantes:
   Os autores adaptaram um algoritmo existente de filtragem de voos (originalmente de Vijay Kumbhar et al.) para servir como um proxy para a carga de trabalho do ATCO. Este filtro identifica pares de aeronaves "relevantes" — aquelas que exigem monitoramento ou desconflição — em vez de apenas aquelas em conflito imediato.

   • Refinamento Iterativo: Através de feedback qualitativo de ATCOs licenciados no Centro de Swanwick, o filtro foi ajustado para o LMS. Isso envolveu o ajuste de parâmetros (por exemplo, limiares de distância lateral, faixas de distância vertical) e a incorporação de nova lógica:
     • Manuseio em rastro: Exclusão de aeronaves com velocidade relativa negligenciável dentro de um cone lateral específico.
     • Rotas divergentes: Exclusão de aeronaves com separação lateral suficiente em caminhos divergentes.
     • Perfilamento vertical baseado em dados: Substituição de interseções simples de faixas de nível de voo por previsões de trajetória probabilísticas (utilizando um intervalo de credibilidade de 2σ) para modelar cones de subida e descida, reduzindo falsos positivos.
     • Previsão de trajetória operacional: Utilização da última instrução emitida pelo ATCO (autorização) em vez de apenas o plano de voo declarado ou suposições baseadas em estado para gerar trajetórias de aeronaves sujeitas.
   • Avaliação: O filtro ajustado foi validado contra 50 cenários de tráfego estáticos rotulados por ATCOs, alcançando um escore F1 de 0,84, comparado a 0,69 para os parâmetros originais.

2. Representação de Rotas Baseada em Grafos:
   Para facilitar a previsão, os autores construíram uma representação de grafos reamostrada da rede de rotas do LMS.

   • Reamostragem: Planos de voo históricos (jan–dez 2024) foram convertidos em um grafo onde as arestas foram subdivididas linearmente e agrupadas para garantir fidelidade espacial consistente (arestas de 5–10 NM). Isso padronizou os trechos de rota, permitindo a colação de rotas semelhantes e previsões espaciais mais finas.
   • Consulta: Uma tabela de tradução foi criada para mapear os pontos de referência originais do plano de voo para a estrutura de grafo reamostrada.

3. Previsão Probabilística de Complexidade:
   O método de previsão prevê o número de pares de aeronaves relevantes com até 45 minutos de antecedência, combinando:

   • Dados Operacionais em Tempo Real: Previsões de tempo de chegada do Processador de Dados de Voo do Espaço Aéreo Nacional da NATS (NAS FDP).
   • Probabilidade de Ocupação: Um modelo estatístico assumindo que os tempos de chegada das aeronaves em waypoints seguem uma distribuição normal ($N(\mu, \sigma^2)$, com $\sigma=5$ min). Isso calcula a probabilidade de uma aeronave ocupar um segmento de rota específico em um tempo de consulta futuro.
   • Priors Históricos: Um valor esperado empírico ($E[X | O_i, O_j]$) derivado de dados históricos, representando a probabilidade de que duas aeronaves ocupando trechos de rota específicos ($O_i, O_j$) constituam um par relevante.
   • Fórmula de Previsão: O número total esperado de pares relevantes é calculado somando o produto das probabilidades de ocupação e a expectativa histórica de relevância para todos os pares de trechos de rota.

Principais Resultados

• Desempenho do Filtro: O filtro atualizado demonstrou desempenho superior ao algoritmo original, com Precisão, Revocação e Escore F1 de 0,84 (vs. 0,67, 0,72 e 0,69, respectivamente) no conjunto de testes rotulado por ATCOs.
• Precisão da Previsão: Ao prever pares relevantes com 30 e 45 minutos de antecedência, o método proposto alcançou um coeficiente de correlação de postos de Spearman ($\rho$) de 0,68 com o número real de pares relevantes identificados pelo filtro.
• Comparação com a Linha de Base: Esta correlação foi significativamente mais forte do que uma previsão padrão de volume de tráfego (contagem de aeronaves no setor), que resultou em um $\rho$ de 0,55.
• Significância Estatística: Uma análise de bootstrap com blocos móveis confirmou que a correlação do método proposto com a carga de trabalho real foi estatisticamente significativamente maior do que a linha de base de volume de tráfego (diferença média 0,134, IC 95% [0,064, 0,211], $p=0,0004$ para a previsão com 45 minutos de antecedência).
• Eficiência Computacional: A ferramenta gera previsões em menos de um segundo em um laptop padrão, tornando-a viável para aplicação em tempo real dentro de uma única varredura de radar (~6 segundos).

Significado e Alegações
O artigo afirma que a ferramenta baseada em dados proposta oferece um proxy mais preciso para a carga de trabalho do ATCO do que os padrões industriais atuais, ao focar em "interações relevantes" em vez de volume bruto de tráfego. Ao aproveitar a modelagem probabilística dos tempos de chegada e uma representação baseada em grafos do espaço aéreo, o método leva em conta a incerteza e as realidades operacionais (como desvios) que os modelos determinísticos ignoram.

Os autores postulam que esta ferramenta tem o potencial de apoiar supervisores de grupo na tomada de decisões informadas sobre configuração de setores e escalonamento de ATCOs. O estudo enfatiza que a abordagem foi especificamente ajustada às características geométricas e operacionais do setor LMS. Embora os resultados sejam promissores, os autores observam que a avaliação foi limitada a um único dia e a um único setor. Consequentemente, eles afirmam que a ferramenta requer calibração e avaliação adicionais em diferentes estações e setores antes de poder ser implantada mais amplamente, particularmente para setores acima da faixa de altitude atual do LMS.