El control del tráfico aéreo es un sistema crítico que requiere evaluar la adherencia entre trayectorias planificadas y ejecutadas para garantizar la seguridad y eficiencia del espacio aéreo. Se estudiarán trayectorias de planes de vuelo, que representan las intenciones operacionales previas al despegue, y trayectorias radar, que reflejan el recorrido real, afectado por factores como clima, congestión y decisiones tácticas. La comparación entre ambas fuentes es fundamental para detectar desviaciones y mejorar la gestión táctica, enmarcándose en el proyecto DELFOS de CRIDA A.I.E.
El análisis de adherencia presenta importantes desafíos técnicos. Las trayectorias radar sufren ruido, pérdidas de señal y muestreos irregulares, mientras que los planes de vuelo son representaciones abstractas. Esta disparidad en formato y resolución exige métodos robustos y escalables para comparar trayectorias automáticamente, permitiendo validar modelos predictivos y optimizar la gestión operativa. La metodología desarrollada aborda tanto discrepancias espaciales como temporales. Las primeras se calculan mediante distancias geodésicas combinando componentes horizontales y verticales, mientras que las diferencias temporales consideran desfases en inicio, duración y dilataciones temporales.
Además, este Trabajo Fin de Máster propone AdherNet, un modelo de Inteligencia Artificial basado en redes neuronales recurrentes con atención, entrenado mediante aprendizaje supervisado para estimar la similitud entre trayectorias sin necesidad de alineamientos costosos. El modelo procesa directamente coordenadas geográficas y marcas temporales, con dos variantes: una para comparar planes inicial y final, y otra para medir adherencia entre plan final y trayectoria radar real. AdherNet utiliza una arquitectura siamesa con codificadores BiGRU y atención multi-cabeza para generar embeddings densos. Se aplican normalización por capas, conexiones residuales y enmascaramiento para manejar trayectorias de longitud variable. El entrenamiento supervisado optimiza la función MSE, evaluándose con métricas R² y MAE.
Los casos de uso incluyen comparación directa de trayectorias, evaluación de adherencia radar-plan y identificación de trayectorias anónimas mediante búsqueda eficiente. El modelo puede aplicarse como métrica de validación predictiva, clustering de flujos de vuelo y mejora de calidad de datos.
En resumen, este Trabajo Fin de Máster ofrece una solución innovadora basada en Inteligencia Artificial para medir adherencia entre planes de vuelo y trayectorias reales, superando limitaciones técnicas clásicas y proporcionando herramientas potentes para la mejora continua del control del tráfico aéreo en el contexto del proyecto DELFOS.
–ABSTRACT–
Air traffic control is a critical system that requires assessment of the adherence between planned and executed trajectories to ensure the safety and efficiency of airspace. Flight plan trajectories, which represent the operational intentions prior to takeoff, and radar trajectories, which reflect the actual path, affected by factors such as weather, congestion and tactical decisions, will be studied. The comparison between the two sources is essential to detect deviations and improve tactical management, as part of CRIDA A.I.E.’s DELFOS project.
Adherence analysis presents significant technical challenges. Radar trajectories suffer from noise, signal loss and irregular sampling, while flight plans are abstract representations. This disparity in format and resolution requires robust and scalable methods to compare trajectories automatically, enabling predictive models to be validated and operational management to be optimised. The methodology developed addresses both spatial and temporal discrepancies. The former are calculated using geodetic distances combining horizontal and vertical components, while temporal differences consider lags in onset, duration and time dilations.
In addition, this work proposes AdherNet, an artificial intelligence model based on recurrent neural networks with attention, trained by supervised learning to estimate the similarity between trajectories without the need for costly alignments. The model directly processes geographic coordinates and time stamps, with two variants: one to compare initial and final plans, and another to measure adherence between final plan and actual radar trajectory. AdherNet uses a Siamese architecture with BiGRU encoders and multi-head attention to generate dense embeddings. Layered normalisation, residual connections and masking are applied to handle variable length trajectories. Supervised training optimises the MSE function, evaluated with R² and MAE metrics.
Use cases include direct trajectory comparison, radar-plan stickiness assessment and identification of anonymous trajectories by efficient search. The model can be applied as a predictive validation metric, flight flow clustering and data quality improvement.
In summary, this work offers an innovative artificial intelligence-based solution to measure adherence between flight plans and real trajectories, overcoming classical technical limitations and providing powerful tools for the continuous improvement of air traffic control in the context of the DELFOS project.
El control del tráfico aéreo es un sistema crítico que requiere evaluar la adherencia entre trayectorias planificadas y ejecutadas para garantizar la seguridad y eficiencia del espacio aéreo. Se estudiarán trayectorias de planes de vuelo, que representan las intenciones operacionales previas al despegue, y trayectorias radar, que reflejan el recorrido real, afectado por factores como clima, congestión y decisiones tácticas. La comparación entre ambas fuentes es fundamental para detectar desviaciones y mejorar la gestión táctica, enmarcándose en el proyecto DELFOS de CRIDA A.I.E.
El análisis de adherencia presenta importantes desafíos técnicos. Las trayectorias radar sufren ruido, pérdidas de señal y muestreos irregulares, mientras que los planes de vuelo son representaciones abstractas. Esta disparidad en formato y resolución exige métodos robustos y escalables para comparar trayectorias automáticamente, permitiendo validar modelos predictivos y optimizar la gestión operativa. La metodología desarrollada aborda tanto discrepancias espaciales como temporales. Las primeras se calculan mediante distancias geodésicas combinando componentes horizontales y verticales, mientras que las diferencias temporales consideran desfases en inicio, duración y dilataciones temporales.
Además, este Trabajo Fin de Máster propone AdherNet, un modelo de Inteligencia Artificial basado en redes neuronales recurrentes con atención, entrenado mediante aprendizaje supervisado para estimar la similitud entre trayectorias sin necesidad de alineamientos costosos. El modelo procesa directamente coordenadas geográficas y marcas temporales, con dos variantes: una para comparar planes inicial y final, y otra para medir adherencia entre plan final y trayectoria radar real. AdherNet utiliza una arquitectura siamesa con codificadores BiGRU y atención multi-cabeza para generar embeddings densos. Se aplican normalización por capas, conexiones residuales y enmascaramiento para manejar trayectorias de longitud variable. El entrenamiento supervisado optimiza la función MSE, evaluándose con métricas R² y MAE.
Los casos de uso incluyen comparación directa de trayectorias, evaluación de adherencia radar-plan y identificación de trayectorias anónimas mediante búsqueda eficiente. El modelo puede aplicarse como métrica de validación predictiva, clustering de flujos de vuelo y mejora de calidad de datos.
En resumen, este Trabajo Fin de Máster ofrece una solución innovadora basada en Inteligencia Artificial para medir adherencia entre planes de vuelo y trayectorias reales, superando limitaciones técnicas clásicas y proporcionando herramientas potentes para la mejora continua del control del tráfico aéreo en el contexto del proyecto DELFOS.
–ABSTRACT–
Air traffic control is a critical system that requires assessment of the adherence between planned and executed trajectories to ensure the safety and efficiency of airspace. Flight plan trajectories, which represent the operational intentions prior to takeoff, and radar trajectories, which reflect the actual path, affected by factors such as weather, congestion and tactical decisions, will be studied. The comparison between the two sources is essential to detect deviations and improve tactical management, as part of CRIDA A.I.E.’s DELFOS project.
Adherence analysis presents significant technical challenges. Radar trajectories suffer from noise, signal loss and irregular sampling, while flight plans are abstract representations. This disparity in format and resolution requires robust and scalable methods to compare trajectories automatically, enabling predictive models to be validated and operational management to be optimised. The methodology developed addresses both spatial and temporal discrepancies. The former are calculated using geodetic distances combining horizontal and vertical components, while temporal differences consider lags in onset, duration and time dilations.
In addition, this work proposes AdherNet, an artificial intelligence model based on recurrent neural networks with attention, trained by supervised learning to estimate the similarity between trajectories without the need for costly alignments. The model directly processes geographic coordinates and time stamps, with two variants: one to compare initial and final plans, and another to measure adherence between final plan and actual radar trajectory. AdherNet uses a Siamese architecture with BiGRU encoders and multi-head attention to generate dense embeddings. Layered normalisation, residual connections and masking are applied to handle variable length trajectories. Supervised training optimises the MSE function, evaluated with R² and MAE metrics.
Use cases include direct trajectory comparison, radar-plan stickiness assessment and identification of anonymous trajectories by efficient search. The model can be applied as a predictive validation metric, flight flow clustering and data quality improvement.
In summary, this work offers an innovative artificial intelligence-based solution to measure adherence between flight plans and real trajectories, overcoming classical technical limitations and providing powerful tools for the continuous improvement of air traffic control in the context of the DELFOS project. Read More
Related posts:
Clasificación de aeropuertos españoles mediante análisis topológico de datos de sus trayectorias aéreas y retrasos
Propuesta para la integración de expresiones temporales procedentes de patrimonio documental en un SIG
Optimización de estrategias para mitigación de riesgo de colisión en órbitas terrestres
Conflict-Free Trajectory Planning Based on a Data-Driven Conflict-Resolution Model
La planificación minera como factor de viabilidad
Amazon realizó con éxito su primera prueba de vuelo de entrega con drones en Italia