Utilización de algoritmos de Machine Learning / Deep Learning (ML/DL) para la predicción de parámetros de gestión del transporte aéreo
Year: 2024
Type: dissertation
Abstract: Predecir los parámetros de gestión del transporte aéreo en los próximos años \nes crítico para los principales agentes del transporte aéreo como son: las líneas \naéreas, autoridades aeroportuarias, proveedores del servicio de navegación aérea, \nademás de la propia industria de fabricación de aviones, etc. Dado que la industria \naeronáutica genera casi 87.7 millones de empleos (directos e inducidos) y 3.4 \nbillones de US$ lo que representa un 4.1% del PIB mundial. El uso de los algoritmos \nde Machine Learning /Deep Learning (ML/DL), donde recientemente ha irrumpido \nel ChatGPT para extender el uso masivo de la Inteligencia Artificial (IA), vienen \ndesplazando a otros métodos estadísticos clásicos como ARIMA, etc. en el \npronóstico de las series temporales. \nEsta tesis muestra una doble viabilidad, la de desarrollar y entrenar modelos \nde ML/DL con reducidos medios propios, y por otro lado demostrar su aplicabilidad \na la gestión del transporte aéreo, lo cual ha sido posible gracias sobre todo a la \nexistencia de librerias como Keras, Tensorflow y lenguajes de programación como \nPython, de código abierto, orientados al aprendizaje profundo (DL). En particular, \nse abordan tres casos de estudios: el pronóstico de la demanda a corto y medio \nplazo de pasajeros (nacionales e internacionales), el pronóstico de la carga aérea \n(domestica e internacional) y el de la predicción de la demora de salida de aviones, \ntodos ellos aplicados usando los datos del caso de estudio de Colombia. \nLos modelos singulares de ML/DL desarrollados para los dos primeros casos \nson de aprendizaje profundo con arquitecturas de codificadores-decodificadores \nrealizados con redes neuronales artificiales hibridas que mezclan redes \nconvolucionales con redes recurrentes tipo LSTM, denominadas “ConvLSTM2D” \nlas cuales mejoran el aprendizaje de los patrones temporales de las series \nhistóricas multivariable, donde se mezclan las variables aeronáuticas objeto de \nestudio con otras variables socioeconómicas de contexto. Mientras que, para el \ntercer caso, relativo a la predicción de las demoras en las salidas de aviones, \naplicada con los datos de los aeropuertos de Colombia, la investigación se ha \norientado en realizar la selección del mejor del modelo, a través de la comparativa en las prestaciones de varios modelos clásicos de ML y un modelo simple de DL \n(MLP), tomando como métrica comparativa el error cuadrático medio (RMSE). \nUn esfuerzo importante de esta investigación se ha centrado en proporcionar \nrobustez a las valoraciones obtenidas por los modelos, aplicando las técnicas de \n“k-fold cross validation”, dada la naturaleza estocástica del problema (modelo y \ndatos). Mientras que otra parte importante de esta investigación se ha orientado a \nexplicar los resultados obtenidos por los modelos ML/DL, ya que estos algoritmos \nse comportan como cajas negras al no explicitar los patrones aprendidos, lo que se \nha resuelto mediante el uso de técnicas de “permutation importance”, así como \naplicando análisis variacional al configurar multiples escenarios obtenidos al \ncombinar diferentes features, para seleccionar los más relevantes del problema. \nEl dataset usado para las demostraciones procede de la Autoridad \nAeronáutica colombiana Aerocivil, el cual ha sido preprocesado con técnicas \nestadísticas de escalado, normalizado, categorizado, etc. para homogeneizar los \ndatos que faciliten el aprendizaje. Es de subrayar que en el dataset usado para el \npronóstico de las diferentes demandas no ha sido necesario realizar el proceso de \n“extracción de los features” o características de las variables de entrada, como por \nel contrario si se requiere en física mediante p.e. el uso de números adimensionales \npara categorizar un régimen, etc., ya que los modelos DL, como es el ConvLSTM2D \nno requieren de dicho preprocesado por parte del ingeniero (tarea que se conoce \n“feature engineering”), ya que esta extracción de features la realizan de forma \nautomática los modelos de aprendizaje profundo. \nEsta tesis ha sido posible al haber podido acceder a un gran y fiable volumen \nde datos aeronáuticos y socioeconómicos para el entrenamiento del modelo. Donde \nColombia ha sido el caso de estudio elegido, porque representa el tercer país \nlatinoamericano y el quinto de américa en la industria aeronáutica. Por último, hay \nque señalar que se han entrenado los modelos ML/DL bajo la modalidad de \naprendizaje supervisado (SL), por lo que el dataset contenía no solo las variables \nde entrada sino también las variables de salida (objetivas) a predecir.
Author: Muros Anguita, Juan Gerardo
Language: Spanish
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7006663693