Resumo Técnico: Previsão de Tráfego de Passageiros da Aviação Civil Utilizando um Modelo Híbrido SSA e MLP-BP Otimizado pelo Sparrow-Search

1. Definição do Problema

A previsão precisa do tráfego de passageiros da aviação civil é crítica para as operações aéreas, planejamento de redes de rotas e alocação de capacidade. No entanto, as flutuações de demanda pós-pandemia introduziram desafios significativos, caracterizados por alta volatilidade, não estacionariedade, sazonalidade e não linearidade. Métodos estatísticos tradicionais (ex: ARIMA) têm dificuldade com dados não lineares, enquanto redes neurais padrão (ex: MLP-BP) frequentemente sofrem com problemas de inicialização aleatória, convergência lenta e tendência de ficarem presas em ótimos locais. Essas limitações levam a erros de previsão que resultam ou em capacidade desperdiçada (superestimação) ou em oportunidades de receita perdidas (subestimação), com potenciais impactos econômicos que variam de milhões de dólares em custos operacionais a interrupções nos serviços. Modelos híbridos existentes muitas vezes falham em alcançar a otimização global ou em extrair efetivamente características de múltiplas escalas de séries temporais não estacionárias.

2. Metodologia

O estudo propõe uma estrutura de previsão híbrida, SSA-MLP-BP-SpSA, que integra três componentes principais: Análise de Espectro Singular (SSA), um Perceptron Multicamadas treinado por Backpropagation (MLP-BP) e o Algoritmo de Busca de Pardal (SpSA).

2.1 Pré-processamento de Dados: Análise de Espectro Singular (SSA)

A SSA é empregada para decompor a série temporal não estacionária original em componentes interpretáveis, separando efetivamente o sinal do ruído. O processo envolve quatro etapas:

1. Incorporação (Embedding): Mapeamento da série temporal original em uma matriz de trajetória.
2. Decomposição: Realização da Decomposição de Valor Singular (SVD) na matriz de trajetória.
3. Agrupamento (Grouping): Agrupamento das matrizes elementares resultantes em subcoleções disjuntas para isolar características específicas.
4. Reconstrução: Uso de média diagonal para reconstruir a série temporal em componentes distintos:
   • Componente de Tendência (IMF4): Reflete o crescimento de longo prazo e ciclos de planejamento de frota.
   • Componentes Sazonais (IMF2, IMF3): Capturam picos periódicos, como o Festival da Primavera e as temporadas de viagem de verão.
   • Componentes de Ruído/Alta Frequência (IMF1, Residual): Representam flutuações irregulares e perturbações aleatórias.

2.2 Modelo de Previsão: MLP-BP

Um Perceptron Multicamadas (MLP) com uma arquitetura de alimentação direta (feedforward) é utilizado para modelar os componentes decompostos. A estrutura da rede consiste em uma camada de entrada, duas camadas ocultas (com 16 e 32 neurônios, respectivamente) e uma camada de saída.

• Ativação: A função ReLU é utilizada nas camadas ocultas para mitigar o desaparecimento do gradiente.
• Treinamento: O algoritmo de Backpropagation (BP) é utilizado para o retropropagação do erro e atualização de pesos.
• Otimização: O otimizador Adam é utilizado para atualizações iterativas de parâmetros.

2.3 Otimização de Parâmetros: Algoritmo de Busca de Pardal (SpSA)

Para abordar as limitações do treinamento BP padrão (ótimos locais e instabilidade), o SpSA é introduzido para otimizar globalmente os pesos e vieses iniciais da rede MLP-BP.

• Mecanismo: O algoritmo simula o comportamento de busca de alimento dos pardais com uma população de "descobridores" (guiando a busca), "seguidores" (rastreando descobridores) e "sentinelas" (reconhecimento/alerta).
• Função de Aptidão (Fitness Function): O Erro Quadrático Médio (RMSE) ou o Erro Médio Absoluto (MAE) da rede serve como a função de aptidão a ser minimizada.
• Processo: O SpSA atualiza iterativamente as posições dos pardais (parâmetros da rede) com base nos valores de aptidão até a convergência, garantindo que o MLP-BP inicie o treinamento a partir de um estado globalmente otimizado.

2.4 Estrutura Geral

O fluxo de trabalho de modelagem procede da seguinte forma:

1. Padronizar e normalizar os dados mensais brutos de passageiros (2005–2024).
2. Decompor os dados usando SSA em componentes de tendência, sazonais e de ruído.
3. Treinar modelos MLP-BP separados para cada componente decomposto.
4. Otimizar os parâmetros do MLP-BP usando SpSA.
5. Reconstruir a previsão final integrando as previsões de todos os componentes.
6. Avaliar o desempenho usando $R^2$, MAE e RMSE.

3. Principais Contribuições

1. Desenvolvimento de Estrutura Híbrida: É desenvolvido um framework unificado combinando decomposição de séries temporais, aprendizado não linear e otimização inteligente, especificamente para a natureza volátil, sazonal e incerta do tráfego de aviação civil no período pós-pandemia.
2. Interpretabilidade via SSA: A introdução da SSA permite a extração de distintos componentes de tendência, sazonais e irregulares. Isso aumenta a interpretabilidade do processo de previsão, vinculando saídas específicas do modelo a decisões operacionais como planejamento de frota (tendência) e escalonamento de picos (sazonalidade).
3. Otimização Global: O emprego do SpSA para otimizar os parâmetros do MLP-BP reduz o risco de ótimos locais e melhora a estabilidade do modelo sob condições de demanda altamente flutuantes.
4. Validação Empírica: O modelo é validado utilizando dados mensais de passageiros da China (2005–2024), demonstrando valor prático para planejamento de capacidade e gestão operacional.

4. Resultados

O estudo utilizou dados mensais de passageiros da Administração de Aviação Civil da China (CAAC) de 2005 a 2024, dividindo os dados em um conjunto de treinamento de 80% e um conjunto de teste de 20%.

• Métricas de Desempenho: O modelo proposto SSA-MLP-BP-SpSA alcançou um $R^2$ de 0,987 e um RMSE de 179,71 no conjunto de teste.
• Análise Comparativa:
  • Vs. Modelos Únicos: O modelo híbrico superou significativamente o modelo MLP-BP isolado (que teve um $R^2$ de 0,628 e RMSE de 3206,193).
  • Vs. Híbridos Parciais: Superou modelos que utilizavam apenas decomposição (SSA-MLP-BP, $R^2$ 0,761) ou apenas otimização (MLP-BP-SpSA, $R^2$ 0,832).
  • Vs. Outras Redes Neurais: Em comparações com modelos BiLSTM, GRU e LSTM pré-processados por SSA, o modelo SSA-MLP-BP-SpSA demonstrou precisão e estabilidade superiores, particularmente durante pontos de inflexão críticos do mercado e períodos de forte flutuação.
• Distribuição de Erro: O modelo exibiu um intervalo de confiança de 95% estreito e resíduos concentrados na faixa de baixo valor, indicando alta estabilidade estatística e controle de erro eficaz.
• Pontos de Virada: O modelo capturou com sucesso os principais pontos de virada, como as fases de crescimento rápido e os picos sazonais, com desvio mínimo em relação aos valores reais.

5. Significância e Alegações

Os autores afirmam que a abordagem proposta oferece suporte confiável para a previsão de demanda da aviação civil, abordando os desafios específicos de não estacionariedade e não linearidade na era pós-pandemia.

• Suporte à Decisão Operacional: O modelo é posicionado como uma ferramenta para auxiliar companhias aéreas e operadores de aeroportos em:
  • Curto Prazo: Ajustar a capacidade e o escalonamento de voos durante períodos de pico (ex: Festival da Primavera, temporada de verão) para reduzir a má alocação de recursos.
  • Médio a Longo Prazo: Informar o planejamento de frota e a expansão da infraestrutura aeroportuária com base na identificação de tendências precisas.
• Impacto Econômico: O estudo sugere que reduzir os erros de previsão (ex: de ~15-20% em modelos tradicionais para <1,2% no modelo proposto) pode economizar milhões de dólares anualmente para as companhias aéreas ao otimizar a compra de combustível, o escalonamento de tripulação e a gestão de inventário, ao mesmo tempo em que melhora os fatores de ocupação dos voos e a satisfação do cliente.
• Limitações: Os autores reconhecem que o modelo possui alta complexidade computacional, limitando sua aplicação em cenários de tempo real de alta frequência. Eles também observam que o estudo atual utiliza dados mensais agregados e não incorpora explicitamente variáveis exógenas (ex: indicadores macroeconômicos, mudanças de políticas) ou heterogeneidade de rotas. Sugere-se que trabalhos futuros foquem em computação paralela, mecanismos de atualização adaptativa e integração de dados de múltiplas fontes.