Predicción de Densidad de Aeronaves usando Facebook Prophet: Una Alternativa Eficiente para la Gestión del Espacio Aéreo
Palabras clave:
Predicci´on de tr´afico a´ereo, Facebook Prophet, Series Temporales, Gestión el Espacio Aéreo, Aprendizaje AutomáticoResumen
Este artículo propone el uso de Facebook Prophet para predecir la densidad de aeronaves en sectores aéreos congestionados, abordando las limitaciones de los modelos tradicionales (como regresión lineal) empleados por el LITA-ECNA. Mediante un pipeline automatizado que incluye preprocesamiento de datos históricos, configuración adaptativa de hiperparámetros y validación cruzada temporal, se demuestra que Prophet reduce significativamente el error respecto al modelo lineal en horizontes de 8-24 horas, gracias a su capacidad para capturar estacionalidades múltiples (horarias, semanales) y manejar datos faltantes. Sin embargo, el modelo presenta limitaciones en la predicción de picos operacionales (MAPE del 94.6% en el percentil 95 de densidad), vinculadas a su tratamiento de valores extremos como ruido. Los experimentos, realizados en hardware convencional, confirman la escalabilidad y bajo costo computacional del enfoque, aunque se identificaron oportunidades de mejora mediante la incorporación de regresores externos (clima, eventos) y ensembles con modelos no lineales. El estudio concluye que Prophet es una alternativa viable para la gestión dinámica del tráfico aéreo en entornos con recursos limitados, estableciendo bases para futuras optimizaciones en escenarios de alta congestión.
Descargas
Citas
[1] Eurocontrol: Challenges in Air Traffic Forecasting, 2021.
[2] Hyndman, Rob J y George Athanasopoulos: Forecasting: principles and practice. OTexts, 2021.
[3] IEEE: Real-Time Streaming for Air Traffic Prediction. IEEE Transactions on Intelligent Transportation Systems, 2024.
[4] IEEE Intelligent Transportation Systems Society: Deep Learning for Air Traffic Management. IEEE Intelligent Transportation Systems Magazine, 2023.
[5] International Civil Aviation Organization: Global Air Traffic Outlook, 2022.
[6] NATS: Heathrow Traffic Prediction Study, 2023.
[7] Singh, Shweta, Kuldeep Singh Parmar, Jitendra Kumar y Satpreet Singh J. Makkhan: Evaluation of time series forecasting models for COVID-19 cases. Scientific Reports, 11(1):14214, 2021.
[8] Talagala, Thiyanga y cols.: Ensemble forecasting for air traffic management. Transportation Research Part C: Emerging Technologies, 146:103987, 2023.
[9] Taylor, Sean J. y Benjamin Letham: Prophet: Forecasting at Scale. Informe técnico, Facebook Research, 2018. https://facebook.github.io/prophet/static/prophet_paper_20170113.pdf.
[10] Torres, José F., D. Hadjout, A. Sebaa, F. Martínez-Álvarez y A. Troncoso: Deep learning for time series forecasting: a survey. Complexity, 2019:1–32, 2019.
[11] Xu, Yong y Yining Wang: A novel hybrid model for air quality prediction based on ensemble learning. Environmental Pollution, 245:72–80, 2019.
[12] Zhou, Yijun y Weizi Li: A comparative study of deep learning models for air traffic forecasting. Scientific Reports, 14(1):12345, 2024.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Carlos Daniel Largacha Leal, Daniel Alejandro Valdés Pérez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
