SIMBAD

El proyecto SIMBAD

El desarrollo de metodologías para modelar la evaluación del impacto de nuevos nuevos conceptos y tecnologías de gestión del tráfico aéreo (ATM, por las siglas en inglés de Air Traffic Management) en relación a diferentes indicadores de rendimiento (KPI) a nivel global ha sido un objetivo desde hace tiempo en la investigación en ATM. Los modelos de microsimulación suelen ser la única aproximación factible para abordar este desafío de manera fiable, sin embargo, la aplicación práctica de modelos de simulación a gran escala para la evaluación estratégica del rendimiento ATM a menudo se ve obstaculizada por su complejidad computacional. El proyecto SIMBAD ha creado un nuevo marco de modelado del rendimiento ATM con el objetivo de mejorar las capacidades de los modelos de microsimulación de ATM a gran escala para apoyar eficazmente la evaluación del rendimiento a nivel de red. Esta metodología permite una exploración exhaustiva y comprensión del impacto que tienen los conceptos y soluciones de ATM en el rendimiento del tráfico aéreo bajo diferentes condiciones de tráfico.

Objetivos

El objetivo principal de SIMBAD fue desarrollar y evaluar una serie de metodologías basadas en aprendizaje automático diseñados para dotar a los modelos de microsimulación de ATM de vanguardia con la confiabilidad, facilidad de manejo e interpretabilidad necesarias para apoyar eficazmente la evaluación del rendimiento de soluciones encaminadas a mejorar el sistema de gestión de tráfico aéreo europeo. Los objetivos específicos del proyecto fueron los siguientes:

1. Explorar el uso de técnicas de aprendizaje automático para estimar variables ocultas a partir de datos históricos de tráfico aéreo, prestando especial interés en las preferencias y el comportamiento de los usuarios del espacio aéreo. Esto tiene como objetivo permitir una calibración más robusta de los modelos de microsimulación de tráfico aéreo.
2. Desarrollar nuevos algoritmos de aprendizaje automático para clasificar patrones de tráfico, lo que permite la selección de un conjunto representativo de escenarios de simulación. Esta selección permite una evaluación más exhaustiva de los nuevos conceptos y soluciones de ATM.
3. Investigar el uso de metamodelado y aprendizaje activo para facilitar una exploración más eficiente del espacio de entrada-salida de modelos de simulación complejos mediante el desarrollo de metamodelos, que son funciones analíticas de entrada/salida que aproximan los resultados de funciones más complejas definidas por los modelos de microsimulación.
4. Demostrar y evaluar los métodos y herramientas desarrollados a través de una serie de casos de estudio, integrando las técnicas propuestas con herramientas de simulación de ATM de vanguardia para analizar el rendimiento de diferentes escenarios de ATM.

El papel de Nommon

Nommon coordinó el proyecto SIMBAD y lideró el trabajo relacionado con el desarrollo de técnicas de metamodelado y aprendizaje activo para herramientas de microsimulación ATM. Nommon desarrolló metamodelos para dos microsimuladores de ATM de vanguardia (DYNAMO y RNEST). Estos metamodelos son capaces de aproximar el impacto en el rendimiento de diferentes soluciones y conceptos ATM, e identificar aquellas regiones o escenarios en los que se requiere un análisis más exhaustivo con el microsimulador, apoyando y complementando el uso de estos modelos de microsimulación.

Nommon también participó en el diseño de una metodología basada en clusters para la identificación de patrones de tráfico y la selección de muestras de tráfico representativas para diferentes escalas geográficas y temporales, colaborando al mismo tiempo en la validación de la metodología.

Resultados

SIMBAD desarrolló un Marco de Modelización de Rendimiento de ATM con el objetivo de mejorar las capacidades de los modelos de microsimulación de ATM a gran escala, para respaldar eficazmente la evaluación del rendimiento a nivel de red. La metodología permite la exploración y comprensión exhaustiva del impacto en el rendimiento de los conceptos y soluciones de ATM en diferentes condiciones de tráfico. El marco consta de tres elementos principales:

1. Un modelo para la estimación de variables ocultas relacionadas con el comportamiento de los usuarios del espacio aéreo que son entradas necesarias para los modelos de microsimulación de ATM, como el “cost index” y el peso de aterrizaje. Los ejercicios de validación realizados por SIMBAD demostraron cómo una estimación más precisa de estas variables ocultas mejora la simulación de trayectorias al proporcionar una representación más realista del comportamiento y las preferencias de los usuarios del espacio aéreo.
2. Una metodología para identificar patrones de tráfico representativos en diferentes escalas para cada problema particular bajo estudio. Esta metodología se demostró y validó aplicándola a dos soluciones SESAR: Free-Routing y Demand and Capacity Balancing. Los ejercicios de validación demostraron que el enfoque SIMBAD conduce a una estimación mucho más precisa de ciertos KPIs (por ejemplo, consumo anual de combustible en el área ECAC) que la habilitada por una selección de días de tráfico representativos basados en el juicio de expertos, al tiempo que reduce el número de escenarios de simulación necesarios.
3. Un marco de metamodelado que permite la aproximación de los resultados de un modelo de microsimulación para facilitar una exploración más eficiente de su espacio de entrada-salida. Se definieron e implementaron metamodelos de simulación de la herramienta de simulación de trayectoria DYNAMO de UPC y la herramienta de simulación R-NEST de EUROCONTROL. Se evaluó y analizó el rendimiento predictivo de los metamodelos entrenados, mostrando su capacidad para reproducir con precisión el comportamiento de los modelos de microsimulación y reducir drásticamente los recursos computacionales requeridos.

El Marco de Modelización de Rendimiento SIMBAD se demostró a través de una serie de casos de uso en los que los diferentes componentes del marco (ya sea por separado o combinados) se pusieron en práctica. Estos ejercicios mostraron cómo los resultados del proyecto pueden ayudar a superar algunas de las principales limitaciones de los modelos tradicionales de microsimulación de ATM, facilitando una evaluación más completa, precisa y eficiente del impacto en el rendimiento de las nuevas soluciones/conceptos de ATM.

Lee el white paper de SIMBAD: Lessons learnt from the SIMBAD project and way forward