Unlocking air traffic flow prediction through microscopic aircraft-state modeling

Resumo Técnico: Desbloqueando a Previsão de Fluxo de Tráfego Aéreo através da Modelagem Microscópica do Estado das Aeronaves

Definição do Problema
A previsão de curto prazo do fluxo de tráfego aéreo em espaço aéreo terminal (TA) é crítica para o gerenciamento proativo do tráfego aéreo (ATM), mas as abordagens existentes dependem predominantemente de um paradigma de previsão de séries temporais macroscópicas. Nesta estrutura convencional, as trajetórias individuais das aeronaves são agregadas em sequências de fluxo macroscópicas ou tensores espaço-temporais antes da previsão. Os autores argumentam que essa agregação obscurece informações detalhadas essenciais à dinâmica do tráfego, como a cinemática das aeronaves, interações de fronteira e intenção de controle. Além disso, esses métodos normalmente requerem janelas de observação histórica (look-back windows) e são sensíveis aos artefatos de discretização e à perda de informação inerentes à compressão de estados de aeronaves contínuos e de cardinalidade variável em representações de séries temporais fixas. O desafio central abordado é se os estados microscópicos instantâneos das aeronaves podem fornecer informações suficientes para uma previsão precisa do fluxo futuro sem depender de sequências de fluxo históricas.

Metodologia: O Framework AeroSense
Para enfrentar essas limitações, o artigo propõe o AeroSense, um framework de modelagem de estado-para-fluxo que estabelece um mapeamento de ponta a ponta dos estados microscópicos instantâneos das aeronaves para fluxos regionais de tráfego futuros.

1. Paradigma Estado-para-Fluxo: Em vez de tratar o espaço aéreo como uma série temporal, o AeroSense modela a situação instantânea do espaço aéreo no tempo $t$ como um conjunto dinâmico e não ordenado de estados de aeronaves, $S_t = \{s_1, \dots, s_{N_t}\}$. A cardinalidade $N_t$ varia conforme as aeronaves entram ou saem do espaço aéreo.
2. Representação de Estado Microscópico: Cada vetor de estado da aeronave $s_i \in \mathbb{R}^{18}$ é construído a partir de dados ADS-B e codifica cinco componentes distintos:
   • Localização: Latitude, longitude e altitude.
   • Cinemática: Velocidade em relação ao solo, velocidade vertical e ângulo de proa.
   • Intenção de Controle: Velocidade aérea e altitude selecionadas (do Mode Control Panel).
   • Interações de Fronteira: Distância até as fronteiras do espaço aéreo (AP e AR), fatores de aproximação (similaridade de cosseno entre a velocidade e o vetor para o centro do espaço aéreo) e indicadores de inclusão no espaço aéreo.
   • Contexto Temporal: Embeddings cíclicos para hora e minuto.
3. Arquitetura do Modelo:
   • Tratamento de Cardinalidade Variável: O conjunto dinâmico é preenchido (padded) até uma capacidade máxima fixa ($N_{max}=120$) e processado via um Perceptron Multicamadas (MLP) compartilhado para gerar embeddings latentes.
   • Modelagem de Interação: Um mecanismo de autoatenção mascarada (masked self-attention) captura as dependências entre aeronaves. Uma matriz de máscara garante que os estados de preenchimento (padding/dummy entries) não influenciem os pesos de atenção, permitindo que o modelo foque exclusivamente nas interações válidas entre as aeronaves.
   • Agregação: Os autores utilizam SumPooling (em vez de Mean ou Max pooling) para agregar os embeddings. Essa escolha é motivada pela natureza do fluxo de tráfego como uma quantidade acumulativa dependente do número de aeronaves, preservando a escala do conjunto na representação global.
   • Cabeças de Previsão Desacopladas: Duas cabeças de previsão independentes estimam os volumes de tráfego futuros para o Espaço Aéreo de Aproximação (AP) e para a Região de Controle de Espaço Aéreo (AR) separadamente, reconhecendo suas distintas dinâmicas de fluxo.
4. Treinamento: O modelo é otimizado usando uma função de perda Huber multitarefa sobre ambos os alvos de espaço aéreo.

Principais Contribuições

• Mudança de Paradigma: O trabalho reformula a previsão de fluxo de tráfego aéreo de um problema de série temporal macroscópica para um problema de aprendizado de estado-para-fluxo microscópico, alinhando a representação de aprendizado com o verdadeiro estado físico do tráfego (um conjunto dinâmico de aeronaves).
• Framework AeroSense: Introdução de um framework que elimina a necessidade de janelas de observação histórica e hiperparâmetros especificados manualmente, acomodando naturalmente a densidade variável de tráfego e permitindo a inferência em tempo real por streaming.
• Representações Fisicamente Fundamentadas: O design incorpora interações de fronteira e intenção de controle como vieses indutivos, permitindo que o modelo raciocine sobre a evolução do tráfego com base na dinâmica de voo, em vez de apenas correlações estatísticas.
• Design de Arquitetura: A combinação específica de autoatenção mascarada para modelagem de interação e SumPooling para agregação sensível à escala mostra-se crítica para o desempenho.

Resultados Experimentais
O framework foi avaliado em um conjunto de dados real de larga escala de um espaço aéreo terminal de um aeroporto internacional (março–outubro de 2025), prevendo volumes de tráfego com 15 minutos de antecedência para as regiões AP e AR.

• Desempenho vs. SOTA: O AeroSense superou consistentemente as séries temporais de estado da arte (SOTA) representativas (incluindo Autoformer, FEDformer, TimesNet e iTransformer). Na região de alta densidade AR, o AeroSense reduziu o Erro Médio Absoluto (MAE) em aproximadamente 22,7% em comparação com o concorrente mais forte (TimesNet).
• Estudos de Ablação:
  • A remoção do mecanismo de autoatenção mascarada degradou significativamente o desempenho, confirmando a necessidade de modelar as interações entre aeronaves.
  • A remoção dos estados de interação de fronteira levou a quedas claras de desempenho, validando a importância de pistas geométricas sobre as coordenadas GPS absolutas.
  • A substituição do SumPooling por Mean ou Max pooling causou degradação substancial de desempenho, particularmente em cenários de alta densidade, reforçando que a previsão de fluxo de tráfego depende da contagem de aeronaves, e não da média dos estados.
• Robustez: O AeroSense demonstrou robustez superior durante períodos de alta volatilidade (ex: picos matinais e transições noturnas tardias), onde modelos de séries temporais convencionais exibiram picos acentuados de erro. O modelo manteve um perfil de erro mais suave, alcançando desempenho Pareto-ótimo em avaliações multiobjetivo de partição do dia (dayparting).
• Comparação com Baselines Baseados em Conjuntos: Embora modelos genéricos baseados em conjuntos (DeepSets, SetTransformer) tenham performado melhor do que os baselines de séries temporais, o AeroSense alcançou os erros mais baixos, indicando que o design específico consciente do espaço aéreo (representação de estado e cabeças desacopladas) fornece valor adicional além da modelagem invariante à permutação genérica.

Significância e Alegações
O artigo alega que situações instantâneas de espaço aéreo fornecem uma alternativa eficaz aos paradigmas convencionais de previsão baseados em séries temporais. Ao modelar diretamente os estados microscópicos das aeronaves, o AeroSense preserva a dinâmica detalhada e mitiga a perda de informação causada pela agregação. Os autores afirmam que esta abordagem não apenas melhora a precisão preditiva média, mas também oferece benefícios práticos para implantação: simplifica a inferência de streaming em tempo real ao remover a necessidade de armazenamento persistente de trajetórias históricas e longas janelas de observação. Os achados sugerem que sistemas futuros de gerenciamento de tráfego aéreo poderiam se beneficiar ao mudar o foco de estatísticas agregadas de fluxo para a modelagem de estado instantâneo e consciente do espaço aéreo.