Divisão de Engenharia Civil Ano: 2025
(Turma 2025, TGs 2025)
Predictive modeling of en-route operational performance in the Brazilian Airspace (pdf 3,6 MB)
Autor: Diogo Longo Polo
Orientador(es): Instrutora Mayara Condé Rocha Murça
Relator(es): Alessandro Vinícius Marques de Oliveira
Ano: 2025
Resumo:
Prever com precisão o desempenho real de um voo durante sua fase em rota, especialmente as variações em relação à rota planejada, é fundamental para otimizar o planejamento de combustível e a utilização do espaco aéreo. Este estudo aborda a modelagem preditiva do desempenho operacional em rota no espaco aéreo brasileiro utilizando técnicas de aprendizado de máquina. Desenvolveu-se um modelo de regressão multi-quantílica para estimar o desvio entre a distância realmente voada e a distância planejada durante a fase de voo em rota. O modelo, treinado com o algoritmo CatBoost baseado em árvores de decisão impulsionadas por gradiente, fornece previsões probabilísticas e quantifica a incerteza preditiva. A interpretabilidade local é obtida por meio das Shapley Additive Explanations (SHAP), que oferecem uma compreensão aprofundada da influência relativa das variáveis explicativas. Utilizando um ano de dados operacionais, compostos por informações de vigilância de aeronaves e planos de voo, o método proposto supera abordagens estatísticas de referência, reduzindo o erro multi-quantílico em 77%. Ao integrar técnicas de aprendizado de máquina que combinam precisão preditiva com interpretabilidade, a abordagem proposta busca oferecer um suporte decisório valioso para companhias aéreas e para a gestão do tráfego aéreo, especialmente em áreas como o planejamento de combustível e o gerenciamento de fluxo de tráfego. Abstract:
Accurately predicting the actual performance of a flight during its en-route phase, particularly deviations from the planned flight path, is crucial for optimizing fuel planning and airspace utilization. This study addresses the predictive modeling of en-route operational performance within the Brazilian airspace using machine learning techniques. We develop a multi-quantile regression model to estimate the deviation between the actual flown distance and the planned distance during the en-route flight phase. The model, learned with the CatBoost algorithm based on gradient-boosted decision trees, provides probabilistic forecasts and quantifies predictive uncertainty. Local interpretability is achieved through Shapley Additive Explanations (SHAP), providing insights into the relative influence of explanatory features. Using one year of operational data comprising aircraft surveillance and flight plan information, the proposed method outperforms baseline statistical approaches, reducing the multi-quantile error by 77%. By integrating machine learning techniques that combine predictive accuracy with interpretability, the proposed approach aims to deliver valuable decision support for airlines and air traffic management, particularly in areas such as fuel planning and traffic flow management.
