APRENDIZADO DE MÁQUINA NÃO SUPERVISIONADO APLICADO À IDENTIFICAÇÃO DE SETORES DE ENTRADA EM ÁREA TERMINAL

Jean Phelipe de Oliveira Lima; Pollyanne Evangelista da Silva; Alef Gonçalves Quintanilha; André Luiz Elias Melo

Portal de Conferências da UFSC, XX Sitraer

Jean Phelipe de Oliveira Lima, Pollyanne Evangelista da Silva, Alef Gonçalves Quintanilha, André Luiz Elias Melo

Última alteração: 2023-09-26

Resumo

Aprimorar a eficiência do espaço aéreo é uma prioridade contínua na gestão do tráfego aéreo. Um indicador fundamental de desempenho nesse contexto é o tempo adicional gasto nas áreas terminais. Ao monitorarmos esse indicador de forma adequada, podemos tomar decisões que trarão benefícios tanto econômicos quanto ecológicos. Um requisito para calcular esse indicador é identificar os setores de entrada na área terminal. Com base no contexto apresentado, o objetivo do estudo foi identificar os setores localizados a 40 NM (Milhas Náuticas) e 100 NM de distância de cada um dos quatro aeroporto mais movimentados do Brasil, selecionados para essa análise. A avaliação foi conduzida de forma qualitativa, levando em consideração a densidade de voos nas áreas terminais e a comparação das trajetórias de voo dos diferentes grupos de aeronaves cluster com os procedimentos de pouso disponı́veis nas cartas aeronáuticas dos respectivos aeroportos. Além disso, uma análise de ruıído foi realizada, indicando a presença de ruı́dos entre 0,06% e 3% em cada setor, considerados como outliers ou movimentos atı́picos. Esses resultados apontaram que os clusters foram bem identificados, mantendo um conjunto significante de dados. A principal vantagem apresentada neste artigo é a utilização de um método para definir os parâmetros dos modelos treinados, que demonstraram robustez em todos os experimentos, indicando a escalabilidade da solução proposta.

Referências

CGNA (2023). Anuário estatı́stico de tráfego aéreo 2022, Departamento de Controle do Espaço Aéreo.

DECEA (2020). Metodologia de indicadores atm do sisceab, Manual do Comando da Aeronáutica - MCA 100-22.

Ester, M., Kriegel, H., Sander, J. & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. Vol. 96 pp. 226––231.

Eurocontrol & DECEA (2022). Brazil/europe comparison of operational ans performance, Eurocontrol e Departamento de Controle do Espaço Aéreo.

Guo, J., Qin, Z., He, S. & Huang, H. (2006). Simulation of space group formation for maneuvering target, Hsi-An Chiao Tung Ta Hsueh/Journal of Xi’an Jiaotong University 40, 1378–1382.

Johnson, R. & Wichern, D. (2002). Applied Multivariate Statistical Analysis, Prentice Hall.

Joshi, K. D. & Nalwade, P. S. (2013). Modified k-means for better initial cluster centres, International Journal of Computer Science and Mobile Computing. 2-7, 219–223.

Murça, M. C. R., Hansman, R. J., Li, L. & Ren, P. (2018). Flight trajectory data analytics for characterization of air traffic flows: A comparative analysis of terminal area operations between new york, hong kong and sao paulo, Transportation Research Part C: Emerging Technologies 97, 324–347.

Sabhnani, G., Yousefi, A. & Mitchell, J. S. (2010). Flow conforming operational airspace sector design Anais do 10th AIAA Aviation Technology, Integration, and Operations (ATIO) Conference, p. 9377.

Xia, Q., Li, X., Song, Y. & Zhang, B. (2014). Aircraft grouping based on improved divisive hierarchical clustering algorithm, Journal of Air Transport Management 40, 157–162.

Zhao, T., Man, Z., Wan, Z. & Bi, G. (2008). Acgsmsm parallel genetic algorithm based on multi-agent. Anais do 2008 Second Interna-tional Conference on Genetic and Evolutionary Computing, pp. 10–13.

Um cadastro no sistema é obrigatório para visualizar os documentos. Clique aqui para criar um cadastro.