Sergi Mas-Pujol defiende su tesis sobre la gestión de desequilibrios entre la demanda y la capacita aérea utilizando técnicas de aprendizaje profundo

Actualmente, los proveedores de servicios de navegación aérea tienen que gestionar y acomodar una demanda de tráfico aéreo en constante crecimiento en un escenario que se espera que sea más eficiente en tiempo y costes. Ajustar la demanda a la capacidad del espacio aéreo disponible es uno de los problemas más complejos a los cuales se enfrenta la gestión del tráfico aéreo. Este proceso colaborativo de gestión de la capacidad a menudo acaba imponiendo regulaciones cuando la capacidad no se puede ajustar. Asignando retrasos al aeropuerto de salida, el tráfico se distribuye y las llegadas se regulan a la infraestructura congestionada. Aun así, decidir donde y cuando se necesita una regulación requiere tiempo y se basa en gran medida en el conocimiento y la experiencia. Esto lleva a regulaciones subóptimas e innecesariamente largas, cosa que se traduce en retrasos innecesarios y una no óptima utilización de la capacidad.

A lo largo de los años, muchos investigadores han estudiado nuevas técnicas para estimar mejor la complejidad de un sector aéreo – volumen aéreo – o como cuantificar la carga de trabajo de los controladores aéreos con el objetivo de identificar las regulaciones necesarias para una correcta gestión del tráfico aéreo. A causa del gran impacto que provocan los retrasos en la red, se pueden encontrar una gran variedad de trabajos tratando de optimizar, mejorar, minimizar o predecir la evolución de los retrasos. La literatura muestra tres tendencias principales: propuestas sin inteligencia artificial, enfoques utilizando aprendizaje automático supervisado o trabajos explorando técnicas de aprendizaje por refuerzo. Aun así, hay una carencia de trabajos que se centren concretamente en la identificación de las regulaciones necesarias, y los métodos propuestos para suavizar la demanda sufren problemas de escalabilidad.

La finalidad principal de esta tesis es investigar el uso de técnicas de inteligencia artificial para identificar y resolver desequilibrio entre la demanda y la capacidad que requieren la implementación de regulaciones durante la fase pretáctica. Es decir, cuando no hay información disponible del administrador de la red sobre regulaciones requeridas y cuando los niveles de incertidumbre son mucho más altos.

Primero, se ha estudiado la identificación de regulaciones a nivel de sector aéreo, usando técnicas supervisadas y prototipando herramientas para la entidad que gestiona el espacio aéreo. Se estudian los dos tipos de regulaciones más frecuentes para las regiones más congestionadas a Europa. Los resultados revelan que la arquitectura propuesta es capaz de identificar casi todas las regulaciones durante el verano, probablemente la temporada más congestionada. Segundo, se investigan técnicas de aprendizaje por refuerzo en la resolución de las regulaciones previamente identificadas, centrándose en la escalabilidad del sistema gracias al uso de imágenes. Finalmente, se investigan los potenciales beneficios de identificar las regulaciones que afectan vuelos específicos. En este último caso, los resultados también muestran que es posible predecir las características de las regulaciones utilizando técnicas supervisadas. Además, la integración de los modelos permite evaluar el impacto y la gravedad de las regulaciones emitidas, anticipando posibles retrasos reaccionarios.

En general, los resultados muestran que es posible predecir con precisión regulaciones, sus características y automatizar el proceso para suavizar el tráfico cuando se quiere resolver desequilibrio entre la demanda y la capacidad. Hay algunos factores a tener en cuenta que pueden limitar los beneficios de las soluciones propuestas, empezando por los problemas de disponibilidad de datos y el número de estudios realizados. Sin embargo, las herramientas desarrolladas han sido probadas en las regiones europeas más complejas. Finalmente, desplegar las diferentes herramientas desarrolladas sería clave para estudiar los beneficios y el impacto de las soluciones propuestas. Por lo tanto, se han creado diferentes herramientas para la visualización de los resultados teniendo en cuenta la incertidumbre de las soluciones proporcionadas.