TFM - Trayectorias de Vuelo
AdherNet: IA para medir la adherencia de vuelos en tiempo real
Cada día, más de 100.000 vuelos cruzan nuestros cielos siguiendo planes de vuelo detallados. Pero la realidad rara vez coincide con lo planeado: el clima cambia, el tráfico se congestiona, los controladores ordenan desvíos. ¿Cómo medir automáticamente estas desviaciones cuando hay miles de vuelos diarios?
Mi Trabajo Fin de Máster en la Universidad Politécnica de Madrid, desarrollado en el proyecto DELFOS de CRIDA, propone AdherNet: un modelo de inteligencia artificial que compara trayectorias de vuelo con precisión de experto y velocidad de máquina.
El problema: comparar dos realidades diferentes
Cada vuelo tiene dos versiones:
- El plan: 5-20 puntos estratégicos separados por más de 150 km
- La traza radar: hasta 180 puntos cada 3 km
Es como comparar un boceto con una fotografía de alta resolución. Los métodos tradicionales (Dynamic Time Warping) funcionan pero son lentos: procesar 1.000 vuelos puede llevar días.
Además, medir similitud no es solo distancia geográfica. Hay que considerar:
- Desviaciones espaciales (latitud, longitud y altitud)
- Diferencias temporales (retrasos, velocidades variables)
- Calidad de datos (ruido GPS, pérdidas de señal)
La solución: aprender patrones, no calcular distancias
AdherNet utiliza redes neuronales recurrentes bidireccionales con atención para procesar directamente coordenadas crudas (latitud, longitud, altitud, tiempo). El modelo lee cada trayectoria en ambas direcciones y aprende qué segmentos son críticos.
Cada trayectoria se convierte en una "huella digital" compacta. Comparar dos vuelos se reduce a comparar vectores, lo cual es una operación ultrarrápida.
Contribuciones principales
1. Métrica de adherencia calibrable: Combina distancia geodésica y dilatación temporal con parámetros ajustables. Permite priorizar aspectos espaciales o temporales según necesidades operativas sin reentrenar.
2. Modelo AdherNet supervisado: Primera arquitectura específica para adherencia de trayectorias 4D (lat, lon, alt, tiempo) que procesa datos crudos sin preprocesamiento complejo. Entrenado con 50.000 pares reales de planes de vuelo.
3. Dataset representativo: Conjunto validado de trayectorias planificadas y radar del espacio aéreo español, reutilizable para investigación futura.
Resultados técnicos
Precisión excepcional:
- R² = 0.93 en test (10.000 pares FPL3-TRK radar)
Velocidad transformadora (emparejamiento de 1.000 trayectorias):
- DTW clásico: ~43 horas estimadas
- FastDTW: 7 horas
- AdherNet: 4.36 segundos (6.000x más rápido que FastDTW)
Capacidad de búsqueda:
- Precisión@1: 95.7% (encuentra pareja correcta entre 1.000 opciones)
- Precisión@5: 100% (entre las 5 primeras opciones)
- Ranking promedio: 1.055 (casi siempre primera posición)
Aplicaciones inmediatas
Validación operativa: Identificar aerolíneas o rutas con desviaciones sistemáticas para auditorías y mejora de procedimientos.
Identificación de vuelos: Emparejar trazas radar anónimas o con errores de etiquetado con sus planes correspondientes.
Métricas de predicción: Evaluar rápidamente la calidad de modelos que predicen trayectorias futuras.
Detección de anomalías: Alertas automáticas cuando un vuelo se desvía significativamente del plan.
Análisis de flujos: Clustering de vuelos por similitud para optimizar rutas entre regiones.
Impacto
AdherNet demuestra que la IA no es promesa futurista, sino herramienta concreta para problemas complejos. No reemplaza expertos ni sistemas existentes: los potencia con capacidad de procesamiento masivo imposible antes.
En un sector donde el tráfico crece, la eficiencia importa y la seguridad es innegociable, sistemas que procesen datos imperfectos en tiempo real son necesidad estratégica. Este trabajo aporta precisión científica (R² > 0.93), velocidad operativa (segundos vs. horas) y flexibilidad práctica (métrica calibrable, casos de uso múltiples).
Cada vuelo que despega con un plan merece ser entendido en su ejecución. AdherNet abre esa ventana: rápida, precisa y lista para escalar al tráfico aéreo real.