Identificación de conflictos en el tráfico aéreo mediante algoritmos de machine learning
DOI:
https://doi.org/10.26507/paper.4461Palabras clave:
tráfico aéreo, congestión aérea, conflictos aéreos, DBSCAN, machine learning, inteligencia artificialResumen
El incremento sostenido del tráfico aéreo ha elevado la complejidad en la gestión del espacio aéreo, aumentando el riesgo de congestión y conflictos entre aeronaves. En este estudio, se desarrolla un modelo basado en algoritmos de machine learning para la identificación y clasificación de posibles escenarios de riesgo en la navegación aérea. La investigación se centra en el espacio aéreo comprendido entre los aeropuertos de Bahía Solano, Nuquí, Quibdó y Medellín, una región caracterizada por un alto flujo de aeronaves.
El estudio se desarrolla en tres fases: La primera corresponde a la adquisición y procesamiento de datos de navegación aérea. Se emplean datos obtenidos a través de la plataforma FlightRadar24, generados por el sistema ADS-B de las aeronaves, los cuales incluyen información como identificación, posición, velocidad y rumbo. Estos datos son analizados y preprocesados para detectar patrones y caracterizar la dinámica del tráfico en la zona de estudio, la segunda fase consiste en la definición de criterios para la identificación de zonas de congestión aérea. Se establece un volumen de seguridad para cada aeronave con base en las reglas de separación mínima establecidas en los procedimientos de vuelo por instrumentos (IFR). Se considera que ocurre congestión cuando una aeronave ingresa en el volumen de seguridad de otra, lo que incrementa el riesgo de conflicto, y por último, en la tercera fase, se aplica un algoritmo de clasificación para la detección de zonas de congestión aérea. Se selecciona el algoritmo DBSCAN (Density-Based Spatial Clustering of Applications with Noise), que permite identificar regiones con alta densidad de aeronaves y diferenciarlas de las rutas de tránsito normal. Para ello, se procesan los datos considerando variables como la altitud, la velocidad y la posición geoespacial. La metodología empleada permite detectar áreas con riesgo de saturación y evaluar la distribución del tráfico en el espacio aéreo analizado.
Los resultados muestran que DBSCAN detecta con precisión zonas potenciales de conflicto, ofreciendo una herramienta efectiva para mejorar la seguridad y gestión del tráfico en regiones con alta densidad aérea.
Citas
Bolić, T., Castelli, L., De Lorenzo, A., & Vascotto, F. (2022). Trajectory Clustering for Air Traffic Categorisation. Aerospace, 9(5), 227. https://doi.org/10.3390/aerospace9050227
FlightRadar24. (2024, abril). Final report: How it works. Consultado el 18 de abril de 2025 en https://www.flightradar24.com/how-it-works
Hoekstra, J., & Ellerbroek, J. (2016). BlueSky ATC Simulator Project: An Open Data and Open Source Approach. In 7th International Conference on Research in Air Transportation: Philadelphia, USA.
International Civil Aviation Organization (ICAO). (2016). Final report: Doc 4444: Air Traffic Management. Consultado el 18 de abril de 2025 en https://www.ealts.com/documents/ICAO%20Doc%204444%20Air%20Traffic%20Management.pdf
Pabón, J. D. O., Zuluaga, J. A. F., & Lordui, M. P. H. (2025). Detección de anomalías en trayectorias de vuelo utilizando autoencoders y segmentación del espacio aéreo basada en regiones de Voronoi. Revista Colombiana de Tecnologías de Avanzada, 1(45), 82–90. https://doi.org/10.24054/rcta.v1i45.3496
Pérez-Castán, J. A., Pérez-Sanz, L., Serrano-Mira, L., Saéz-Hernando, F. J., Rodríguez Gauxachs, I., & Gómez-Comendador, V. F. (2022). Design of an ATC Tool for Conflict Detection Based on Machine Learning Techniques. Aerospace, 9(67). https://doi.org/10.3390/aerospace9020067
Python Visualization. (S.f). Final report: Folium Reference. Consultado el 18 de abril de 2025 en https://python-visualization.github.io/folium/latest/reference.html
Salaün, E., Gariel, E., Vela, A., Feron, E. (2011, Febrero). Final report: Aircraft Proximity Maps Based on Data-Driven Flow Modeling. Consultado el 13 de abril de 2025 en http://arxiv.org/pdf/1101.4957
Skybrary Aviation Safety. (S.f). Final report: Separation Standards. Consultado el 18 de abril de 2025 en https://skybrary.aero/articles/separation-standards
Universidad Politécnica de Cataluña. (2024, febrero). Final report: Impacto de la Inteligencia Artificial en el control del tráfico aéreo: optimización, eficiencia y seguridad en la navegación aérea. https://upcommons.upc.edu/bitstream/handle/2117/403791/memoria.pdf
Universidad Politécnica de Madrid. (2024, junio). Final report: Desarrollo de modelos de Machine Learning para la predicción de vuelos en el espacio aéreo español. Consultado el 10 de abril de 2025 en https://oa.upm.es/83446/1/TFM_LEONARDO_AGUILAR_VALAREZO.pdf
Universidad Politécnica de Madrid. (2023, julio). Estudio del algoritmo de clustering DBSCAN (Density Based Spatial Clustering of Applications with Noise), aplicado en la detección de cambios de las últimas erupciones del volcán Etna (Sicilia). Consultado el 10 de abril de 2025 en https://oa.upm.es/75234/
Weizun Z. (2021, octubre). Final report: An Incremental Clustering Method for Anomaly Detection in Flight Data. Consultado el 13 de abril de 2025 en https://arxiv.org/pdf/2005.09874
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
