Tendencias del Tráfico Aéreo y Seguridad de los UAV: Aprovechando los Datos de Vigilancia Dependiente Automática por Radiodifusión para la Mitigación Predictiva de Riesgos
Autores: Pothana, Prasad; Snyder, Paul; Vidhyadharan, Sreejith; Ullrich, Michael; Thornby, Jack
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Tendencias del Tráfico Aéreo y Seguridad de los UAV: Aprovechando los Datos de Vigilancia Dependiente Automática por Radiodifusión para la Mitigación Predictiva de Riesgos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Potencial significativo
Vehículos Aéreos No Tripulados (VANT)
Sistema nacional de espacio aéreo (SNEA)
Aprendizaje automático
Patrones de tráfico aéreo
Datos ADS-B
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Con el significativo potencial de los Vehículos Aéreos No Tripulados (VANT) extendiéndose a través de varios campos e industrias, su proliferación plantea preocupaciones sobre los riesgos potenciales dentro del sistema nacional de espacio aéreo (NAS). Para mejorar la integración segura y eficiente de los VANT en los entornos aeroportuarios, este documento presenta un análisis de patrones estadísticos temporales en el tráfico aéreo, la modelización predictiva de tendencias futuras de tráfico utilizando aprendizaje automático, y la identificación de ventanas de tiempo óptimas para las operaciones de VANT dentro de los aeropuertos. El marco fue desarrollado utilizando datos históricos de Vigilancia Automática Dependiente de la Transmisión (ADS-B) obtenidos de la Red OpenSky. Se procesan datos históricos de vuelos de aeropuertos de Clase B, C y D en California, y se lleva a cabo un análisis estadístico para identificar variaciones temporales en el tráfico aéreo, incluyendo tendencias diarias, semanales y estacionales. Se desarrolla un modelo de red neuronal recurrente (RNN) que incorpora la arquitectura de Memoria a Largo y Corto Plazo (LSTM) para predecir futuros conteos de vuelos basados en patrones históricos, logrando valores de error absoluto medio (MAE) de 4.52, 2.13 y 0.87 para los aeropuertos de Clase B, C y D, respectivamente. Los hallazgos del análisis estadístico destacan patrones de tráfico distintos entre las clases de aeropuertos, enfatizando la practicidad de utilizar datos ADS-B para la programación de vuelos de VANT con el fin de minimizar conflictos con aeronaves tripuladas. Además, el estudio explora la influencia de factores externos, incluyendo las condiciones meteorológicas y las limitaciones del conjunto de datos en la precisión de las predicciones. Al integrar el aprendizaje automático con datos ADS-B en tiempo real, esta investigación proporciona un marco para optimizar las operaciones de VANT, apoyando la gestión del espacio aéreo y mejorando el cumplimiento normativo para una integración segura de los VANT en el espacio aéreo controlado.
Descripción
Con el significativo potencial de los Vehículos Aéreos No Tripulados (VANT) extendiéndose a través de varios campos e industrias, su proliferación plantea preocupaciones sobre los riesgos potenciales dentro del sistema nacional de espacio aéreo (NAS). Para mejorar la integración segura y eficiente de los VANT en los entornos aeroportuarios, este documento presenta un análisis de patrones estadísticos temporales en el tráfico aéreo, la modelización predictiva de tendencias futuras de tráfico utilizando aprendizaje automático, y la identificación de ventanas de tiempo óptimas para las operaciones de VANT dentro de los aeropuertos. El marco fue desarrollado utilizando datos históricos de Vigilancia Automática Dependiente de la Transmisión (ADS-B) obtenidos de la Red OpenSky. Se procesan datos históricos de vuelos de aeropuertos de Clase B, C y D en California, y se lleva a cabo un análisis estadístico para identificar variaciones temporales en el tráfico aéreo, incluyendo tendencias diarias, semanales y estacionales. Se desarrolla un modelo de red neuronal recurrente (RNN) que incorpora la arquitectura de Memoria a Largo y Corto Plazo (LSTM) para predecir futuros conteos de vuelos basados en patrones históricos, logrando valores de error absoluto medio (MAE) de 4.52, 2.13 y 0.87 para los aeropuertos de Clase B, C y D, respectivamente. Los hallazgos del análisis estadístico destacan patrones de tráfico distintos entre las clases de aeropuertos, enfatizando la practicidad de utilizar datos ADS-B para la programación de vuelos de VANT con el fin de minimizar conflictos con aeronaves tripuladas. Además, el estudio explora la influencia de factores externos, incluyendo las condiciones meteorológicas y las limitaciones del conjunto de datos en la precisión de las predicciones. Al integrar el aprendizaje automático con datos ADS-B en tiempo real, esta investigación proporciona un marco para optimizar las operaciones de VANT, apoyando la gestión del espacio aéreo y mejorando el cumplimiento normativo para una integración segura de los VANT en el espacio aéreo controlado.