Predicción de separaciones en aeronaves mediante redes bayesianas

Abstract

A través del análisis de la inmensa cantidad de datos con los que nos encontramos
hoy día en los sistemas de navegación aérea podemos tratar de mejorar la
seguridad en la aviación. Uno de los principales incidentes de seguridad del cual
existen datos es la pérdida de separación, cuyas causas subyacentes no han recibido
aún extensivos estudios desde el mundo académico. Una pérdida de separación se
define como un con
icto entre un par de aviones en los que la distancia mínima
legal definida entre ambos ha sido violada.
En minería de datos predictiva, uno de los posibles enfoques de aprendizaje supervisado
es el enfoque probabilístico. Una red bayesiana es el tipo más importante
de modelo gráfico probabilístico, entre cuyas ventajas encontramos el hecho de que
permite, idealmente, un mayor entendimiento del problema al mostrar relaciones
causales.
En el presente trabajo se ha logrado la obtención de una red bayesiana que
represente las relaciones entre las posibles circunstancias consideradas en la producci
ón de una pérdida de separación dada una aproximación, y las prediga con
un buen porcentaje de aciertos, un 77 %, y buenas características como clasificador
(área bajo la curva y calibración). La red bayesiana final se obtuvo tras la consideraci
ón y comparación con las diferentes opciones de aprendizaje que incluía el
software utilizado, GeNIe.
Todo ello gracias a a la obtención y preprocesamiento de un amplio histórico
de datos (32 variables y casi 4000 instancias) a través del cruce de diversas fuentes
de información aeronáuticas, del uso y modificación de algoritmos de comparación
de trayectorias a partir de los existentes en la herramienta PERSEO de la empresa
de investigación y desarrollo en navegación áerea CRIDA A.I.E , en colaboración
con la cual se ha llevado a cabo este proyecto.
Aunque este trabajo suponga únicamente una primera aproximación al problema,
altamente simplificado, gracias a la interpretación de la red bayesiana se
han identificado algunos de los factores que más afectan a la producción de una
pérdida se separación (y cómo lo hacen): la sectorización, el momento del año, la
temperatura isobárica, la altura a la que se produjo y las velocidades en vertical
en el momento de la aproximación. El objetivo último del estudio de las pérdidas
de separación es la construcción de un sistema de alerta para ayudar a los
controladores aéreos.---ABSTRACT---Aviation safety can be improved by the analysis of the immense amount of
data available in air navigation systems nowadays. One of the main incidents for
which lots of data can be found is the loss of separation, whose underlying causes
have not yet received extensive studies from the academic world.
A loss of separation is defined as a con
ict between a pair of aircrafts in which
the minimum specifi
ed separation between them has been violated in controlled
airspace. In the field of predictive data mining, one of the possible approaches in
supervised learning is the probabilistic approach. Bayesian networks are the most
important type of probabilistic graphical models, whose main advantage is the fact
that it ideally allows a greater understanding of the problem by showing causal
relations.
In the present work, we have derived a Bayesian network that represents the
relationships between the possible circumstances considered in the occurrence of
a loss of separation given an approximation, and predicts them with a good percentage
of hits, 77 per cent, and good characteristics as classifier - area under the
curve and calibration. The final Bayesian network was obtained after comparison
of the diferent learning options that included the software used, GeNIe.
For this, a preprocessing task was performed accounting for considerable dataset
{ 32 variables and almost 4000 instances { through diferent sources of aeronautical
information and the use and modification of algorithms of trajectory
comparison from those existing in the PERSEO tool of the R&D air navigation
company CRIDA AIE, in cooperation with which this project has been carried
out.
Although this work is only a first approach to the problem, highly simplified,
thanks to the interpretation of the Bayesian network we have identified some of
the factors that most affect the production of a loss of separation: sector configuration,
time of the year, isobaric temperature,
ight level at which it happened, and
vertical velocities at that time. The main goal of this study of separation losses is
the construction of an alert system to assist air trafic controllers.