Divisão de Engenharia Civil Ano: 2020
(Turma 2020, TGs 2020)
Análise e Previsão da Aplicação de Medidas de Gerenciamento de Fluxo no Espaço Aéreo Brasileiro
(pdf
1,77 MB)
Autor: Gabriela Loiola Vilar
Orientador(es): Mayara Condé Rocha Murça e Marcelo Xavier Guterres
Relator(es): Evandro José da Silva
Ano: 2020
Resumo:
Para atender a demanda de transporte aéreo, um complexo sistema de gerenciamento de tráfego aéreo precisa ser operado diariamente, de forma a garantir que companhias aéreas e demais operadores de aeronaves possam executar seus voos de forma segura e ordenada. O volume e a complexidade das operações aéreas, bem como a vulnerabilidade dese sistema a perturbações causadas por fatores exógenos, como meterologia, frequentemente resultam em desequilíbrios entre demanda e capacidade. Em consequência, medidas de gerenciamento de fluxo de tráfego aéreo (Air Traffic Flow Management - ATFM) são comunente tomadas para ajustar os fluxos de táfego e mitigar impactos como atrasos e cancelamentos. Este trabalho de graduação tem por objetivo realizar uma análise histórica das medidas ATFM aplicadas no espaço aéreo brasileiro e desenvolver um modelo preditivo que possa apoiar a tomada de decisão dos gerentes de tráfego e prover aos usuários do espaço aéreo uma maior previsibilidade sobre o impacto de restrições operacionais em seus voos. Os resultados da análise de dados históricos revelam que há um uso predominante da medida Miles-In-Trail (MIT) para o gerenciamento do fluxo no espaço aéreo brasileiro e que a Área Terminal São Paulo (TMA-SP) é o volume de espaço aéreo mais afetado por essas medidas. Dois métodos de aprendizado de máquina supervisionado, Random Forests e Support Vector Machines, são então utilizados para o desenvolvimento de um modelo preditivo da ocorrência e da severidade de medidas MIT na TMA-SP. Os resultados mostram um desempenho preditivo superior para o modelo gerado pelo método Random Forests, que apresenta uma acurácia de 82%. Ao analisar a importância das variáveis utilizadas para a previsão, torna-se evidente a influência dos fatores relacionados à demanda de voos, como origem do fluxo e hora do dia, e às condições meteorológicas.
Abstract:
To meet the air transportation demand, a complex air traffic management system needs to be operated daily in order to ensure that airlines and other aircraft operators can execute their flights in a safe and orderly manner. The volume and complexity of air traffic operations as well as the vulnerability of this system to disturbances caused by exogenous factors, such as weather, often result in imbalances between demand and capacity. As a result, air traffic flow management (ATFM) measures are commonly taken to adjust the traffic flows and mitigate impacts such as delays and cancellations. This undergraduate work aims to carry out a historical analysis of the ATFM measures applied in the Brazilian airspace and to develop a predictive model that can support traffic managers' decision-making and provide airspace users with greater predictability about the impact of operational restrictions on their flights. The results of the historical data analysis reveal that there is a predominant use of the Miles-In-Trail (MIT) measure for traffic flow management in the Brazilian airspace and that the São Paulo Terminal Area (TMA-SP) is the airspace volume most affected by these measures. Two supervised machine learning methods, Random Forests and Support Vector Machines, are then used to develop a predictive model for the occurrence and severity of MIT measures in TMA-SP. The results show a superior predictive performance for the model generated by the Random Forests method, which presents an accuracy of 82%. When analyzing the importance of the variables used for prediction, the influence of the factors related to the demand, such as the origin of the flow and time of the day, and to the weather conditions, becomes evident.
