Modelo de Propagación de Demoras Atfm A Través de La Red Atm Española

ESCUELA TCNICA SUPERIOR DE
INGENIEROS AERONUTICOS
UNIVERSIDAD POLITCNICA DE MADRID
Proyecto Fin de Carrera
MODELO DE PROPAGACIN DE
DEMORAS ATFM A TRAVS DE LA RED
ATM ESPAOLA
Lara Fernndez Snchez
2015
ESCUELA TCNICA SUPERIOR DE
INGENIEROS AERONUTICOS
UNIVERSIDAD POLITCNICA DE MADRID
Ttulo: MODELO DE PROPAGACIN DE DEMORAS ATFM A TRAVS

DE LA RED ATM ESPAOLA
Autora: Lara Fernndez Snchez
Bajo la supervisin de:

Vctor Fernando Gmez Comendador (UPM)
Jos Manuel Cordero Garca (Crida A.I.E)
Madrid, Octubre 2015

El contenido de este proyecto fin de carrera es propiedad intelectual de la autora e incluye contenido propiedad de
CRIDA, A.I.E., autorizado especficamente para su uso en este proyecto fin de carrera, no pudiendo este documento
ser divulgado, reproducido o publicado ni total ni parcialmente para cualquier otro fin sin la autorizacin expresa
por escrito tanto de la autora como de CRIDA, A.I.E.
AGRADECIMIENTO
Agradecimiento
Tabla de Contenidos
AGRADECIMIENTO ........................................................................................................................................................................................... i
Tabla de Contenidos ........................................................................................................................................................................................ii
Listado de Figuras .......................................................................................................................................................................................... iv
Listado de Tablas ........................................................................................................................................................................................... vii
Acrnimos y Terminologa ...........................................................................................................................................................................9
Prlogo................................................................................................................................................................................................................ 10
Introduccin ..................................................................................................................................................................................................... 11
Captulo 2. Estado del Arte ........................................................................................................................................................................ 15
2.1 Demoras................................................................................................................................................................................................. 15
2.2 Demoras ATFM ................................................................................................................................................................................... 16
2.3 Modelado de Redes ............................................................................................................................................................................ 20
Captulo 3. Estudio a travs del anlisis de la Red ATM Espaola ........................................................................................... 23
3.1 Aclaraciones Previas......................................................................................................................................................................... 23
3.2 Nodos y las conexiones entre ellos .............................................................................................................................................. 24
3.3 Datos y Fuentes de datos................................................................................................................................................................. 26
3.4 Estudio de la Red ATM Espaola ................................................................................................................................................. 28
3.5 Nociones Tericas de Estadstica ................................................................................................................................................ 44
Captulo 4. Aplicacin de Redes Neuronales Artificiales para la prediccin de demoras ATFM ................................ 46
4.1 Fundamentos Tericos de las RNAs ............................................................................................................................................ 46
4.2 Modelo Neuronal................................................................................................................................................................................ 48
4.3 Algoritmos de aprendizaje ............................................................................................................................................................. 49
4.4 RNA para predecir demoras ATFM ............................................................................................................................................. 53
Captulo 5. Aplicacin de Redes Bayesianas para la prediccin de demoras ...................................................................... 73
5.1 Fundamentos Tericos de las RBs ............................................................................................................................................... 73
5.2 Modelado con Redes Bayesianas.................................................................................................................................................. 76
5.3 Red de Bayes para predecir demoras ATFM ........................................................................................................................... 78
Captulo 6. Resultados ................................................................................................................................................................................. 91
Tabla de Contenidos
6.1Resultados obtenidos con RNAs .................................................................................................................................................... 91
6.2 Resultados obtenidos con RBs ....................................................................................................................................................... 96
Conclusiones .................................................................................................................................................................................................... 99
Aplicaciones y Futuros Trabajos .......................................................................................................................................................... 101
REFERENCIAS............................................................................................................................................................................................... 102
Bibliografa .......................................................................................................................................................................................................... 102
Anexo 1: Tablas de Errores RNAs .................................................................................................................................................. 104
Tabla de Contenidos
Listado de Figuras
Figura 1: Ciclo de vida del Proyecto. ........................................................................................................................................................... 10

Figura 2: Red de Aerovas Mundial. ............................................................................................................................................................. 12
Figura 3: Espacio Areo Espaol................................................................................................................................................................... 14
Figura 4: Optimizacin de la Capacidad. ................................................................................................................................................... 17
Figura 5: Esquema de la Organizacin ATM. ........................................................................................................................................... 19
Figura 6: Red Neuronal Artificial. ................................................................................................................................................................. 21
Figura 7: Localizacin de los nodos. ............................................................................................................................................................ 25
Figura 8 .................................................................................................................................................................................................................... 26
Figura 9: Nmero de vuelos totales y regulados a lo largo de los 12 meses de 2014. ......................................................... 29
Figura 10: Distribucin de CTOTs en la Red Global en el ao 2014. ............................................................................................. 30
Figura 11: FDP de los minutos de demora ATFM en la Red Global. .............................................................................................. 31
Figura 12: Media de minutos de demora ATFM por vuelo mensual. ............................................................................................ 31
Figura 13: Distribucin de CTOTs de las 4 rutas ms significativas ............................................................................................. 36
Figura 14: FDP ruta LEMD-Europa .............................................................................................................................................................. 37
Figura 15: FDP ruta Europa-LEBL ................................................................................................................................................................ 37
Figura 16:FDP ruta Europa-Europa............................................................................................................................................................. 37
Figura 17: Distribucin de minutos de demora en llegadas en la Red Global. ......................................................................... 39
Figura 18: FDP minutos de demora de la Red Global. ......................................................................................................................... 39
Figura 19: Media de minutos de demora por vuelo mensual. .......................................................................................................... 40
Figura 21: Distribucin minutos de demora rutas Amer.Sur-LEMD y Europa-LEBL ............................................................ 40
Figura 22: FDP ruta Europa-LEBL ................................................................................................................................................................ 41
Figura 23: FDP ruta Amer.Sur-LEMD .......................................................................................................................................................... 41
Figura 24: Distribucin de minutos de demora en rutas con origen Canarias y destino Madrid .................................... 42
Figura 25: Distribucin de minutos de demora en rutas con origen Madrid y destino Canarias .................................... 42
Figura 26: Distribucin de minutos de demora en las rutas LEBL-LEPA y LEPA-LEBL....................................................... 42
Figura 27: Distribucin de minutos de demora en las rutas LEMD-LEPA y LEPA-LEMD ................................................... 43
Figura 28: Distribucin CTOTs rutas LEBL-LEMD y LEMD-LEBL. ................................................................................................. 43
Figura 29: Distribucin minutos de demora en llegadas rutas LEBL-LEMD y LEMD-LEBL............................................... 44
Figura 30: Esquema de la Organizacin del Captulo 4....................................................................................................................... 46
Figura 31: RNAs monocapa y multicapa .................................................................................................................................................... 47
Figura 32: Esquema terico de una RNA ................................................................................................................................................... 48
Figura 33: Esquema de Funcionamiento de una RNA ......................................................................................................................... 50
Figura 34: N vuelos con CTOT a lo largo de 2014 ruta LEMD-LEBL ........................................................................................... 54
Figura 35: Porcentajes de los Tipos de Demora a lo largo de 2014 ruta LEMD-LEBL .......................................................... 55
Figura 36: N de vuelos segn el Tipo de Demora a lo largo de 2014 ruta LEMD-LEBL ..................................................... 55
Figura 37: N de vuelos segn el Tipo de Demora mensualmente ruta LEMD-LEBL............................................................ 56
Figura 38: Media de minutos de demora por vuelo ruta LEMD-LEBL ......................................................................................... 56
Listado de Figuras
Figura 39: Demanda diaria a lo largo de 2014 ruta LEMD-LEBL ................................................................................................... 57
Figura 40: Demanda diaria y mensual ruta LEMD-LEBL ................................................................................................................... 57
Figura 41: N vuelos con CTOT a lo largo de 2014 ruta LEBL-LEMD ........................................................................................... 58
Figura 42: Porcentajes de los Tipos de Demora a lo largo de 2014 ruta LEBL-LEMD .......................................................... 58
Figura 43: N de vuelos segn el Tipo de Demora a lo largo de 2014 ruta LEBL-LEMD ..................................................... 58
Figura 44: N de vuelos segn el Tipo de Demora mensualmente ruta LEBL-LEMD............................................................ 59
Figura 45: Media de minutos de demora por vuelo ruta LEBL-LEMD ......................................................................................... 59
Figura 46: Demanda diaria a lo largo de 2014 ruta LEBL-LEMD ................................................................................................... 59
Figura 47: Demanda diaria y mensual ruta LEBL-LEMD ................................................................................................................... 60
Figura 48: Comparativa de asignacin de CTOTs LEMD-LBL.vs.LEBL-LEMD .......................................................................... 60
Figura 49: Esquema RNA de Matlab ............................................................................................................................................................ 63
Figura 50: Otras opciones de Matlab .......................................................................................................................................................... 63
Figura 51: Prediccin del n de vuelos con CTOT ................................................................................................................................. 64
Figura 52: Prediccin del n de vuelos con CTOT del mes de diciembre .................................................................................... 64
Figura 53: Grficos circulares de Errores Relativos RNA2C12N y RNA2C8N .......................................................................... 65
Figura 54 .................................................................................................................................................................................................................. 66
Figura 55 .................................................................................................................................................................................................................. 66
Figura 57 .................................................................................................................................................................................................................. 67
Figura 58 .................................................................................................................................................................................................................. 67
Figura 60 .................................................................................................................................................................................................................. 68
Figura 62 .................................................................................................................................................................................................................. 68
Figura 63 .................................................................................................................................................................................................................. 69
Figura 64 .................................................................................................................................................................................................................. 69
Figura 66 .................................................................................................................................................................................................................. 70
Figura 67 .................................................................................................................................................................................................................. 70
Figura 69 .................................................................................................................................................................................................................. 71
Figura 70 .................................................................................................................................................................................................................. 71
Figura 72 .................................................................................................................................................................................................................. 72
Figura 73 .................................................................................................................................................................................................................. 72
Figura 75: Grafo acclico dirigido.................................................................................................................................................................. 73
Figura 76: Esquema del clasificador de Bayes ........................................................................................................................................ 76
Figura 77: Estructuras de Redes Bayesianas ........................................................................................................................................... 77
Figura 78: Estructura de la RB1 y la RB2 .................................................................................................................................................. 79
Listado de Figuras
Figura 79 .................................................................................................................................................................................................................. 80
Figura 80 .................................................................................................................................................................................................................. 81
Figura 81 .................................................................................................................................................................................................................. 81
Figura 82 .................................................................................................................................................................................................................. 82
Figura 83 .................................................................................................................................................................................................................. 82
Figura 84 .................................................................................................................................................................................................................. 84
Figura 85 .................................................................................................................................................................................................................. 85
Figura 86 .................................................................................................................................................................................................................. 85
Figura 87 .................................................................................................................................................................................................................. 86
Figura 88 .................................................................................................................................................................................................................. 86
Figura 89 .................................................................................................................................................................................................................. 87
Figura 90 .................................................................................................................................................................................................................. 88
Figura 91 .................................................................................................................................................................................................................. 89
Figura 92 .................................................................................................................................................................................................................. 89
Figura 93 .................................................................................................................................................................................................................. 90
Figura 94 .................................................................................................................................................................................................................. 91
Figura 95 .................................................................................................................................................................................................................. 93
Figura 96 .................................................................................................................................................................................................................. 94
Figura 97 .................................................................................................................................................................................................................. 95
Figura 98 .................................................................................................................................................................................................................. 95
Figura 99 .................................................................................................................................................................................................................. 96
Figura 100 ............................................................................................................................................................................................................... 97
Figura 101 ............................................................................................................................................................................................................... 97
Figura 102 ............................................................................................................................................................................................................ 100
Listado de Figuras
Listado de Tablas
Tabla 1: Regiones mundiales y su correspondiente letra del abecedario. ................................................................................. 24

Tabla 2: Nmero de vuelos totales, regulados y su porcentaje. ...................................................................................................... 29
Tabla 3: Porcentajes relativos y absolutos del total de vuelos regulados en 2014. ............................................................... 30
Tabla 4: Media de minutos de demora por vuelo mensual. .............................................................................................................. 31
Tabla 5: Anlisis por ruta de los vuelos regulados en enero y junio. ............................................................................................ 34
Tabla 6: Media de minutos de demora por vuelo en las rutas ms significativas. .................................................................. 38
Tabla 7: Media de minutos de demora por vuelo mensual. .............................................................................................................. 40
Tabla 9: Tipos de Demora. ............................................................................................................................................................................... 54
Tabla 10: Datos de salida de las RNAs ........................................................................................................................................................ 61
Tabla 11: Formato de los datos de entrada a las RNAs ....................................................................................................................... 62
Tabla 12: Media del Error Relativo y Absoluto....................................................................................................................................... 65
Tabla 20: Tipos de Demora ............................................................................................................................................................................. 78
Tabla 21: Tabla de Porcentajes del nodo padre ..................................................................................................................................... 79
Tabla 22: Tabla de Porcentajes de los nodos hijo ................................................................................................................................. 79
Tabla 23: Probabilidades nodo padre......................................................................................................................................................... 80
Tabla 24: Probabilidades nodos hijo ........................................................................................................................................................... 80
Tabla 25.................................................................................................................................................................................................................... 83
Tabla 26.................................................................................................................................................................................................................... 83
Tabla 27.................................................................................................................................................................................................................... 83
Tabla 28.................................................................................................................................................................................................................... 84
Tabla 29.................................................................................................................................................................................................................... 87
Tabla 30.................................................................................................................................................................................................................... 88
Tabla 31.................................................................................................................................................................................................................... 88
Tabla 32.................................................................................................................................................................................................................... 89
Tabla 33.................................................................................................................................................................................................................... 97
Acrnimos y Terminologa
Acrnimo Significado
ACC Area Control Centre (Centro de Control de rea)
ADEP Aerodrome of Departure (Aerdromo de origen)
ADES Aerodrome of Destination (Aerdromo de destino)
ATFM Air Traffic Flow Management
ALDT Actual Landing Time (Tiempo Real de Aterrizaje)
ANSP Air Navigation Services Provider (Proveedor de Servicios de

Navegacin Aerea)
ATC Air Traffic Control (Control del Trfico Areo)
ATM Air Traffic Management (Gestin del Trfico Areo)
ATOT Actual Take Off Time
ELDT Estimated Landing Time
ETOT Estimated Take Off Time

FAA Federal Aviation Administration
KPA Key Performance Area
KPI Key Performance Indicator
DCB Demand and Capacity Balance

SESAR Single European Sky ATM Research
CTOT Calculated Take Off Time
PRU Performance Review Unit
EOBT Estimated Out Block Time
RNA Redes Neuronales Artificiales
FDP Funcin de Densidad de Probabilidad
CFMU Central Flow Management Unit
OACI Organizacin de Aviacin Civil Internacional
RB Red de Bayes
PRR Performance Review Report
9
Prlogo
Este proyecto se embarca en el estudio de una de las KPAs de mayor importancia en Navegacin Area, la
predictibilidad.
Poder disminuir la incertidumbre asociada a un suceso es uno de los objetivos ms perseguidos en todos los
mbitos de la aeronutica. En Navegacin Area el no conocer un suceso con antelacin suficiente obliga a tomar
medidas tcticas por parte de los diferentes agentes, que no siempre son las ms adecuadas. El problema de
tomar estas medidas no planificadas, no solo suele llevar asociado un alto coste econmico y una ineficaz
utilizacin de los recursos disponibles, sino que adems se puede ver disminuida la seguridad operacional.
Predecir un suceso, anticiparse a l, permite a los gestores actuar de la manera ms eficaz posible, optimizando
la utilizacin de todos los recursos disponibles.
Para llevar a cabo un proyecto de prediccin es importante conocer el escenario en el cual se va a desarrollar y
las diferentes herramientas matemticas disponibles. En este proyecto, en concreto, se investiga y se estudia la
viabilidad de desarrollar un modelo de prediccin de propagacin de demoras ATFM aplicando Redes
Neuronales Artificiales y Redes de Bayes.
Hoy en da, estas dos herramientas matemticas se estn desarrollando y aplicando en diferentes campos; por
ejemplo, en medicina para diagnstico de enfermedades, en economa para predecir las fluctuaciones de los
precios en bolsa y en el sector energtico permiten predecir la demanda.
En el mbito aeronutico la aplicacin de estas herramientas supone una novedad; si bien se estn empezando a
realizar estudios e investigaciones aun no se conoce todo el potencial y todas las posibles aplicaciones que
pueden tener. Ambos tipos de redes, las Redes Neuronales Artificiales y las Redes de Bayes estn empezando su
recorrido para su aplicacin a gran escala en la Navegacin Area.
Hay diferentes fases para el desarrollo de un trabajo de esta envergadura:
Investigacin Diseo y
Desarrollo Validacin
y Estudio Pruebas
Figura 1: Ciclo de vida del Proyecto.
Este proyecto cuya lnea de investigacin general es de CRIDA para ENAIRE se centra sobre todo en las dos
primeras fases. Se estudia tanto el entorno en el que se quieren realizar las predicciones como la aplicacin de
las redes antes comentadas.
Abarca un extenso estudio estadstico de las demoras ATFM en las rutas de la red ATM espaola y la realizacin
de diferentes predicciones con Redes Neuronales y con Redes de Bayes.
10
Introduccin
El Sistema de Transporte Areo se caracteriza por su complejidad y dinamismo, est formado por numerosos
subsistemas: aeropuertos, compaas areas, proveedores de servicios de navegacin area, viajeros... Para que
pueda funcionar correctamente es necesario conseguir un equilibrio entre todos ellos.
Es el sistema de transporte ms regulado que existe y adems debe adaptarse a la evolucin de la demanda del
trfico areo y a las tecnologas ms novedosas, ya que la seguridad operacional es un factor fundamental que
caracteriza este sistema. Su evolucin constante y los continuos cambios que se producen en l dificultan el
intento de modelar cualquier aspecto relacionado con l.
Un sntoma de que el funcionamiento del sistema de Transporte Areo no es ptimo se ve reflejado en la

puntualidad a travs de las demoras. La puntualidad puede considerarse como el producto final de las
complejas relaciones entre aeropuertos, aerolneas, proveedores de servicios de Navegacin Area y el gestor de
la red. Las demoras y su propagacin, el efecto red que llevan asociado tiene graves consecuencias para el
sistema, un impacto directo y muy negativo en la Capacidad y en la Eficiencia.
Tambin suponen un elevado coste econmico, ya que cada minuto de demora est estimado en 81 euros por la
Universidad de Westminster (segn PRR anual de EUROCONTROL). Estas demoras adems, suponen un mayor
consumo de combustible, el deterioro de la imagen de las compaas areas, un mayor nmero de recursos de
Navegacin Area necesarios y dificulta una buena gestin en los aeropuertos.
Las demoras se producen por desequilibrios entre demanda y capacidad (en aeropuertos o en zonas del espacio
areo). Tanto un aumento de demanda como una disminucin de la capacidad tendr como consecuencia
demoras. Condiciones climatolgicas adversas, recursos insuficientes de Navegacin Area, apertura de espacios
areos miliares o las huelgas son algunas de las causas que suponen una disminucin de la capacidad de
aeropuertos y/o sectores del Espacio Areo. La demanda puede verse incrementada notablemente por eventos
especiales o en determinadas pocas del ao (convenciones deportivas, vacaciones de verano, Navidad...).
Cuando se produce una demora, lo ms probable es que lleve asociado un efecto en a lo largo del da. Una demora
en la salida de un "vuelo 1" del "aeropuerto A" puede provocar una demora en la llegada de otros vuelos a ese
mismo aeropuerto (por la capacidad de las pistas) y tambin una demora en la llegada de ese vuelo a un
"aeropuerto B", demoras en su propia rotacin a lo largo del da y demoras en los vuelos programados en el "
aeropuerto B". Este efecto en cadena se extiende en ambos aeropuertos y se ven afectados otros vuelos. Si el
efecto en cadena se extiende en todos los aeropuertos por los que pasa la primera aeronave, as como en los
aeropuertos por los que pasan las otras aeronaves afectadas podra llegar a colapsar el sistema. Se definen as
dos tipos de demoras; las primarias, consecuencia de una sola razn con efecto directo en la puntualidad de un
vuelo especfico y las secundarias, se transfieren del vuelo anterior o de un avin diferente.
11
En el prrafo anterior se seala la importancia de las demoras y el efecto red que llevan asociado. Sera de gran
utilidad, pues, poder predecir las demoras y as poder prever los impactos de cualquier accin o factor en el
sistema. De este modo se podra llegar a entender y actuar sobre l de una manera fundada.
Figura 2: Red de Aerovas Mundial.
Este proyecto profundiza en la modelizacin de las demoras en la red ATM espaola mediante la aplicacin de
Redes Neuronales Artificiales y Redes de Bayes, centrndose en el estudio de la viabilidad de un modelo que
permita predecir las demoras consecuencia de un desequilibrio entre la demanda del Trfico Areo y la
capacidad disponible en aeropuertos y/o sectores del espacio areo, en definitiva, las demoras ATFM.
Existen numerosos estudios relacionados con demoras y se han tratado de modelar con diferentes mtodos.
PONER REFERENCIAS, CITAS, NOMBRES, PROYECTOS
Tambin, se han analizado y modelado las demoras en aeropuertos (a menor o mayor escala), incluso en la Red
del Transporte Areo de algn pas en concreto (por ejemplo, la de EEUU). La novedad de este proyecto radica en
la aplicacin de Redes Neuronales y Redes de Bayes para predecir con antelacin las demoras ATFM en la Red
ATM Espaola.
Estas demoras ATFM, desarrolladas en subsiguientes secciones, son de gran importancia para una mejor gestin
de la Navegacin Area, debido a que son consecuencia de la aplicacin de medidas tcticas por parte del servicio
ATFM.
12
Objetivo
El principal objetivo de este proyecto es el estudio de la viabilidad del desarrollo de un modelo para predecir la
propagacin de demoras ATFM con preanlisis de tcnicas.
De este primer objetivo derivan una serie de objetivos secundarios como el estudio del comportamiento del
sistema del Transporte Areo Espaol en cuanto a las regulaciones que pueden dar lugar a demoras ATFM y la
aplicacin de Redes Neuronales Artificiales y Redes de Bayes.
El estudio y anlisis del sistema del Transporte Areo Espaol as como la aplicacin de ambos tipos de redes
para la prediccin de demoras tiene consecuencias muy positivas:
Beneficia a todos los usuarios del Sistema de Transporte Areo.

Permite conocer las rutas ms reguladas de la red y en las que se concentran y se producen las mayores
demoras ATFM, as como aquellas rutas que absorben esas demoras. Tambin permite conocer aquellos
aeropuertos ms regulados y aquellos que apenas estn regulados. Un mayor conocimiento de cmo
funciona la red ATM permite una mejor gestin.
Facilita una mejor gestin de aeropuertos y de proveedores de servicios de navegacin area al conocer
con cierta antelacin las demoras ATFM que podran producirse.
mbito Geogrfico y Temporal
El mbito geogrfico de este proyecto es el rea del territorio espaol.
La red ATM Espaola est formada por todos los aeropuertos del territorio Espaol (incluidos los de Canarias,
Ceuta y Melilla) as como otros seis grandes nodos que engloban el resto de los aeropuertos mundiales (Amrica
del Norte, Amrica de Sur, frica, Asia, Europa y Oceana). Esta red no est entera gestionada por ENAIRE pero s
en su gran mayora.
No todos los aeropuertos estn conectados entre s, por lo que se analizarn las conexiones de cada aeropuerto
con los dems. Estas conexiones sern las rutas reales de la red entre los diferentes aeropuertos.
El estudio se limitar a un ao de datos. Se utilizan los datos del ao 2014 de diferentes fuentes de datos
disponibles en CRIDA A.I.E para el estudio y anlisis de la red ATM Espaola y tambin para la aplicacin de
Redes Neuronales y Redes de Bayes.
Hasta ahora y de aqu en adelante se ha hablado de varias redes que no deben confundirse:
Red ATM Espaola: conjunto de aeropuertos/nodos y las conexiones entre ellos (rutas).
Redes Neuronales y Redes de Bayes: herramientas matemticas que permiten predecir ciertas variables.
13
Figura 3: Espacio Areo Espaol.
Organizacin del Proyecto
El proyecto se organiza en varios captulos, tres de los cuales forman la base del estudio. Se describen
brevemente a continuacin:
El Capitulo 1 contiene la introduccin.

En el Captulo 2 agrupa definiciones y conceptos necesarios para el anlisis, los estudios de inters
sobre la propagacin de demoras en el sistema de Transporte Areo y otras nociones bsicas del propio
sistema, sistemas complejos y modelado de redes, actuando como marco terico.
Al Captulo 3 pertenece todo el estudio y anlisis estadstico de la red ATM Espaola. La regulacin de
las rutas, las rutas con ms demoras y con mayor nmero de vuelos.. En este captulo tambin se
describen las fuentes de datos utilizadas, los datos necesarios para la realizacin del proyecto, el
procesado de los mismos, su tratamiento, filtrado y posterior validacin.
En el Captulo 4 se aplican Redes Neuronales Artificiales para la prediccin de demoras. Se expondrn
en este captulo nociones tericas de este tipo de Redes y los Resultados de las predicciones realizadas.
El Captulo 5, anlogo al captulo 4, aplicado a Redes de Bayes para obtener las probabilidades de que
haya demoras ATFM.
El Captulo 6 contiene las conclusiones del proyecto.
El Capitulo 7 incluye las aplicaciones del proyecto y los posibles desarrollos futuros.
14
Captulo 2. Estado del Arte
Este captulo analiza el estado del arte, profundiza en definiciones y conceptos necesarios para comprender el
marco en el que se desarrolla el proyecto.
2.1 Demoras
La importancia y utilidad del proyecto est en la prediccin de demoras (tanto demoras en llegada como
demoras ATFM), por ello es lo primero que se define en el captulo.
Existen numerosas definiciones de demora, pudiendo ser entendida de diferentes maneras segn el autor.
NOMBRAR REFERENCIAS
En este proyecto se va a utilizar la definicin de EUROCONTROL por ser un organismo de referencia en

Navegacin Area a nivel europeo y ser, generalmente, la ms aceptada; un vuelo tiene una demora si su
operacin tiene lugar 15 minutos despus de lo previsto.
As mismo EUROCONTROL distingue dos tipos de demora:
Demoras Primarias (Primary Delays)
Tal y como se han definido en el captulo anterior, estas demoras corresponden al retraso inicial de un vuelo
debido a una de las siguientes causas inidviduales:
Condiciones meteorolgicas.
Volumen de trnsito areo.
Condiciones de pistas y calles de rodaje.
Y otros como: seguridad operacional, accidentes, abatimiento de ruido, vuelos de comprobacin.
Demoras Secundarias o de Efecto Red (Reactionary Delays)
Estas demoras se producen por efectos en cadena en el sistema (el retraso en la llegada de un vuelo hace que se
retrase la salida de otro). No tienen un origen especfico o una causa individual de por qu se producen.
Las demoras de Efecto Red son consecuencia de las demoras primarias; bien por una demora en la rotacin de la
propia aeronave o bien por aeronaves diferentes.
Parece lgico pensar que una diminucin de las demoras primarias tendr como consecuencia una disminucin
de las demoras secundarias, sin embargo, no es as ya que en los ltimos aos se ha producido un aumento de
estas demoras a pesar de haber conseguido disminuir las demoras primarias.
15
Los Informes de Performance Review Reports publicados por EUROCONTROL anualmente muestran que
mientras las demoras primarias han disminuido de un 30% a un 20-15% desde 1999, las demoras de efecto red
han aumentado de un 30% a un 45%.
Una vez definidas las demoras primarias y secundarias se definen las demoras ATFM (Servicio de Gestin de
Afluencia del Trfico Areo), de especial inters en este proyecto ya que estas ltimas demoras son consecuencia
de aplicar regulaciones a los vuelos. Podra decirse que de alguna manera son demoras impuestas " a conciencia"
para no poner en peligro la seguridad operacional del espacio areo al producirse un desequilibrio entre
demanda y capacidad.
A continuacin se detalla la definicin.
2.2 Demoras ATFM
En el Doc.444 de OACI se definen las demoras ATFM como una consecuencia de ejecutar medidas tcticas por el
ATFM (Servicio de Gestin de Afluencia del Trfico Areo)., gestionado por el Network Manager.
Cuando la demanda excede de la capacidad, para proporcionar una afluencia equilibrada del trnsito areo, el
servicio ATFM asigna intervalos por los que se aplican demoras a las aeronaves en tierra a travs de medidas de
tiempo conocidas como CTOTs. Ms adelante se denominarn como demoras ATFM en salidas.
Este proyecto define una demora "ATFM" complementaria que no se ha considerado como tal en ningn
documento oficial, se puede producir indirectamente como consecuencia de aplicar medidas en ruta. En general
suelen ser medidas DCB, pero engloba todos los eventos dados en ruta a una aeronave que puedan ocasionar una
demora.
Este ltimo tipo de demoras "ATFM" consecuencia de las medidas DCB dadas en ruta, se pueden medir en el
aeropuerto de destino de la aeronave. Pueden aumentar los minutos de demora o por el contrario hacer que la
aeronave llegue a destino antes de lo previsto. Se denominarn demoras "ATFM" en llegadas.
Ambos tipos de demora son necesarias para observar la propagacin de demoras ATFM. Sean de uno u otro tipo
las demoras ATFM son un claro indicador de que se ha producido un desequilibrio entre demanda y capacidad.
Para gestionar el espacio areo minimizando impactos, donde ocurre este desequilibrio se toman medidas que
suelen dan lugar a las demoras ATFM.
Es importante profundizar en los conceptos de demanda, capacidad, CTOT y ATFM (Servicio de Gestin de
Afluencia del Trfico Areo), ya que estn totalmente relacionados con las demoras ATFM.
16
2.2.1 Demanda y Capacidad
Haciendo de nuevo referencia al Doc.444 de OACI; La capacidad de cualquier sistema ATS depende de muchos
factores, la estructura de rutas, la precisin de la navegacin de las aeronaves que utilizan el espacio areo, los
factores relacionados con las condiciones meteorolgicas, y la carga de trabajo del controlador.
Se entiende por capacidad el volumen de trnsito areo operacionalmente aceptable. La capacidad se expresa en
funcin del nmero de aeronaves que entran en una parte especificada del espacio areo (sector), sobrevuelen
un punto, despeguen o aterricen en un aerdromo (o grupo de aerdromos) en un determinado perodo de
tiempo.
As la capacidad ATM es la facultada para proporcionar servicios de navegacin area a un determinado

volumen de trfico areo, cumpliendo con los objetivos de mxima seguridad y sin que ello suponga un perjuicio
significativo para la operatividad, la economa o el medio ambiente en condiciones normales. Por este motivo la
determinacin de la capacidad en fundamental para lograr una optimizacin del sistema de navegacin area
consiguiendo la mayor eficiencia, es decir, la mxima capacidad con el mnimo costo.
Figura 4: Optimizacin de la Capacidad.
Existen otras dos definiciones de capacidad:
Capacidad declarada , es una medida con la que cuenta el sistema ATC o cualquiera de sus subsistemas
para proporcionar servicio a las aeronaves en el desarrollo de las actividades normales. Se expresa en
funcin del nmero de aeronaves que entran en una parte especifica del espacio areo en un
determinado perodo de tiempo, teniendo en cuenta las condiciones meteorolgicas, la configuracin de
17
la dependencia ATC, el personal y equipos disponibles, y cualquier otro factor que pudiera afectar la
carga de trabajo del controlador responsable.
Capacidad disponible, se entiende como la mxima afluencia de trnsito alcanzable en una unidad de
tiempo especfica, en funcin de las condiciones reales del sistema ATS en cada momento, que es posible
mantener a lo largo de un tiempo, de conformidad con los requisitos en materia de seguridad y el factor
medio de demora aceptable. En condiciones ptimas la capacidad disponible se corresponde con la
capacidad declarada.
Al aplicar medidas para aumentar la capacidad, la autoridad de servicio de trfico areo responsable debe
asegurarse de que no se ponen en peligro los niveles de seguridad.
En lo referente a la demanda, el nmero de aeronaves a las que se proporcione servicio de ATC no debe exceder
del que la dependencia ATC pueda tramitar en condiciones de seguridad.
Para determinar el nmero mximo de vuelos a los que se pueda dar cabida en condiciones de seguridad, la
autoridad ATS competente evala y declara la capacidad del ATC respecto a reas de control, sectores de control
dentro del rea de control y aerdromos.
El resultado de que la demanda del trnsito exceda de la capacidad del ATC son las demoras continuas y
frecuentes del trnsito a lo largo de un da de operacin.
2.2.2 ATFM (Gestin de Afluencia del Trnsito Areo)
La implantacin de un servicio de gestin de afluencia del trnsito areo (ATFM) se da en el espacio areo en el
que la demanda de trnsito exceda, a veces, de la capacidad definida del ATC.
Las medidas del ATFM para evitar que la demanda exceda de la capacidad ATC se desempean en varias fases:
a) Fase estratgica (planificacin), si la medida se realiza con una antelacin de ms de un da respecto a aquel en
el que surtir efecto. Se realiza normalmente la planificacin estratgica muy por adelantado, ordinariamente
con una antelacin de dos a seis meses.
El principal resultado del desarrollo de esta fase es la creacin de una lista de hiptesis que mediante una
proyeccin de capacidad permite a los planificadores encontrar soluciones para las reas problemticas y a la
vez mejorar el apoyo a la ATFM anticipando soluciones a posibles y configuraciones del trnsito.
b) Fase pre tctica (Anticipacin), medidas que han de adoptarse con antelacin de un da hasta seis horas de
antelacin de la operacin .
La actividad pre tctica tiene como principal objetivo el de optimizar la capacidad mediante una organizacin
ms eficaz de los recursos en funcin de la demanda prevista del trfico (por ejemplo, gestin de la configuracin
de sectores, utilizacin de procedimientos de vuelo alternos, etc.).
18
c) Fase tctica (Reaccin), en esta fase se aplican medidas que se adoptan con seis horas de antelacin a la
operacin. La gestin tctica de las corrientes de trfico y de la capacidad consiste en considerar los
acontecimientos en tiempo real que afectan al plan y en hacer las modificaciones necesarias .
El principal objetivo es reducir al mnimo las consecuencias de las perturbaciones y sacar provecho de las
oportunidades que surgen. La necesidad de adaptar el plan original puede provenir de problemas de dotacin de
personal, de fenmenos meteorolgicos significativos, de crisis y de acontecimientos especiales, de
oportunidades o limitaciones inesperadas de la infraestructura terrestre o espacial, de datos del plan de vuelo
(FPL) ms precisos, de la revisin de valores de capacidad de los sectores, etc.
La actividad tctica, est encaminada a asegurar que las medidas tomadas en la fase estratgica y pre-tctica
resuelven los problemas de Demanda/Capacidad en los flujos o reas de aplicacin y que las medidas impuestas
son las mnimas imprescindibles y que las innecesarias han sido levantadas as como que los recursos ATC se
utilizan adecuadamente y se hace un mximo uso de la capacidad existente sin comprometer la seguridad.
Figura 5: Esquema de la Organizacin ATM.
2.2.3 CTOT (Calculated Take Off-Time)
Cuando se prev que la demanda va a exceder la capacidad del espacio areo en cuestin, se toman medidas
tcticas que regulan vuelos en tierra provocando las demoras ATFM, se asignan regulaciones temporales, los
CTOTs.
Por definicin CTOT es la Hora Calculada de Despegue que permite al servicio ATFFM aliviar o disminuir los
desequilibrios de demanda-capacidad. Esta hora se calcula en funcin de la EOBT propuesta por el operador,
teniendo en cuenta el TAXI TIME (tiempo de rodaje) y la demora asignada (si la hay) para serle asignada en
respuesta. En caso de existir demora deber revisarse la hora EOBT a registrarse en el plan de vuelo en relacin
a la CTOT asignada.
CTOT = EOBT + TAXI TIME + DEMORA

19
Los CTOTs son medidas o regulaciones que suelen darse con posterioridad a la aceptacin del plan de vuelo que
emite la compaa area y tienen prioridad sobre el ETOT inicial de cualquier vuelo. Estas regulaciones deben
cumplirse en un intervalo de +15 minutos respecto al CTOT indicado. Una demora ATFM se calcula como la
diferencia entre el CTOT asignado y el ETOT del plan de vuelo de la aeronave.
Hasta ahora se han tratado conceptos puramente aeronuticos de Navegacin Area, en los siguientes apartados
se expondr el estado del arte de las herramientas matemticas disponibles para realizar predicciones.
2.3 Modelado de Redes
Hay diferentes tipos de herramientas matemticas para modelar un sistema.
En este proyecto se ha estudiado la posibilidad de modelar la propagacin de demoras en el sistema con dos
tipos de redes, las Redes de Bayes y las Redes Neuronales Artificiales.
Se han elegido estas herramientas por su utilidad para predecir variables en un entorno dinmico, como es
Sistema del Transporte Areo, y por su facilidad para tratar con gran cantidad de datos.
El primer tipo de Red nos permite conocer la probabilidad de que ocurra un suceso, en el caso de este proyecto la
probabilidad de que se propague una demora ATFM. Las Redes Neuronales Artificiales, por su parte permiten
predecir a lo largo del tiempo un suceso, por ejemplo, en relacin con este proyecto. La media de minutos de
demora ATFM en una ruta a lo largo del tiempo o el nmero de vuelos con demora en un da.
A continuacin se definen brevemente cada uno de los tipos de Red considerados:
2.3.1 Redes de Bayes
Las redes bayesianas modelan un fenmeno mediante un conjunto de variables y las relaciones de dependencia
causal entre ellas. Dado este modelo, se puede hacer inferencia bayesiana; es decir, estimar la probabilidad
posterior de las variables no conocidas, en base a las variables conocidas. Estos modelos pueden tener diversas
aplicaciones, para clasificacin, prediccin, diagnstico, etc.
Estas redes son una herramienta matemtica que se basa en funciones de probabilidad condicional para conectar
los nodos.
Las funciones de probabilidad que necesitan calcularse previamente para poder construir una Red de Bayes se
obtienen a travs de varios mtodos:
A travs del aprendizaje de expertos en el rea de estudio (muy caro y lento).
A travs del aprendizaje con gran cantidad de datos.
20
Adems de las Redes de Bayes existen otras muchas herramientas matemticas para poder modelar una red,
todas con ventajas en algunos aspectos y desventajas en otros.
2.3.2 Redes Neuronales Artificiales (RNA)
Las Redes Neuronales fueron originalmente una simulacin abstracta de los sistemas nerviosos biolgicos,
constituidos por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros.
Las principales caractersticas de las Redes Neuronales Artificiales son:
Auto-Organizacin y Adaptabilidad: utilizan algoritmos de aprendizaje adaptativo. Mejores posibilidades

de procesado.
Procesado no lineal: Aumenta la capacidad de la red para aproximar funciones y clasificar patrones
Procesado Paralelo: normalmente se usa un gran nmero de nodos de procesado, con alto nivel de
interconectividad.
Actualmente estn teniendo mucho xito en diferentes reas, sobretodo en educacin, medicina y economa.
Tratan de imitar el funcionamiento de la red neuronal del ser humano que funciona a travs del aprendizaje de
las neuronas.
Aunque an estn en plena fase de estudio y desarrollo ya hay avances en el entorno aeronutico.
Figura 6: Red Neuronal Artificial.
Se dedicar un captulo para la aplicacin de cada tipo de Red para luego comparar los resultados obtenidos con
cada una de ellas.
Tanto la aplicacin de Redes Neuronales como de Redes de Bayes requiere el uso de complejos algoritmos y el
manejo de gran cantidad de datos.
Hay Software gratuito disponible para la construccin de los diferentes tipos de redes:
GeNIe
21
Evolucin (Universidad de Colombia)
Netica
Otro Software no gratuito para la construccin de redes:
Anylogic
iThink/Stella
Powersim
Simile
Vensim
Matlab. Neuronal Network Tool
REFERENCIAS A ESTUDIOS EN ATM QUE LAS HAYAN USADO Y CUADRO DE

VENTAJAS Y DESVENTAJAS
22
Captulo 3. Estudio a travs del anlisis de la Red ATM
Espaola
Este tercer captulo aplica los conceptos anteriores a travs de un anlisis estadstico de la Red ATM Espaola
como paso siguiente en este PFC. Se explican los nodos que forman la red ATM y sus conexiones, los datos y
fuentes de datos utilizadas, as como el estudio estadstico de la Red Global y ruta por ruta.
Se analizan las demoras ATFM en salidas y en llegadas, el nmero de vuelos por ruta y el nmero de vuelos
regulados. Tambin se hace un pequeo anlisis de la media de minutos de demora por vuelo en la rutas ms
significativas.
Todas estas variables sern consideradas a la hora de aplicar las Redes Neuronales y las de Bayes. Se realizarn
predicciones de cada una de ellas.
El final del captulo incluye breves nociones tericas sobre estadstica y funciones de densidad de probabilidad,
ya que estn presentes en la mayora de los grficos del captulo.
3.1 Aclaraciones Previas
En el captulo anterior se definieron dos tipos de demoras ATFM, a considerar en el marco de este Proyecto: en
salidas y en llegadas.
Siguiendo la definicin oficial, demoras ATFM son las debidas a medidas tcticas que se dan a las aeronaves en
tierra a travs de la asignacin de CTOTs .
Como hemos visto, la asignacin de CTOTs consiste, en regular un vuelo a travs de la asignacin de un nuevo
tiempo de despegue. Estas regulaciones se dan antes de que el avin haya despegado, horas antes de la salida del
vuelo. Podramos concluir que nos permiten ver la demora ATFM en salidas de cada ruta.
Adems de tomar medidas para evitar desequilibrios de demanda/capacidad en tierra y antes del despegue, a
medida que evoluciona el vuelo y pasa a las diferentes fases del mismo, puede recibir otro tipo de medidas en
ruta (medidas DCB, cherry picking, re-routing, regulacin de sectores, tiempo de paso por los fijos....) que pueden
suponer una demora y que, muchas de ellas, no quedan grabadas en ninguna base de datos disponible; en este
proyecto veremos si suponen una demora a travs de la diferencia entre ALDT y ELDT del primer plan de vuelo.
Por lo dicho anteriormente, se va a considerar una "demora ATFM en llegadas" como la diferencia entre el ALDT
y el ELDT del primer plan de vuelo. Englobando este tipo de demora todas las medidas dadas en ruta que hayan
supuesto una demora en destino una vez haya despegado el avin.
Esta consideracin tiene en cuenta todas las causas de demora a travs de las diferentes rutas y no slo las
demoras debidas a regulaciones o medidas que son las demoras de inters en este proyecto. Razn por la cual se
23
analizarn por separado y tambin en conjunto las demoras ATFM en salidas y en llegadas valorando la opcin
que ms convenga a la hora de realizar el modelo.
En resumen, se consideran dos tipos de demoras ATFM calculadas como:
Demoras ATFM en salidas = CTOT - ETOT

Demoras ATFM en llegadas = ALDT - ELDT
3.2 Nodos y las conexiones entre ellos
Los nodos de la Red ATM Espaola son todos los aeropuertos del territorio Espaol (incluidos los aeropuertos de
Canarias, Ceuta y Melilla) ms otros 6 nodos que engloban el resto de aeropuertos mundiales por distribucin
geogrfica. Aunque no todos los aeropuertos del territorio espaol estn gestionados por ENAIRE.
Los aeropuertos de las distintas regiones mundiales se clasifican, segn OACI, por la primera letra del
abecedario. La siguiente tabla muestra las diferentes regiones mundiales y la letra del abecedario que
corresponde a cada una de ellas:
A - Pacfico Sur Occidental

B - Islandia, Groenlandia y Kosovo
C - Canad
D - frica Occidental
E - Norte de Europa
F - Sur de frica
G - Nor-Occidente de frica
H - Nor-Oriente de frica
K - Estados Unidos (excluyendo Alaska y Hawaii)
L - Sur de Europa, Israel y Turqua
M - Amrica Central y Mxico
N - Pacfico Sur
O - Sur-Oeste de Asia (excluyendo Israel y Turqua)
P - Pacfico Norte Oriental
R - Pacfico Norte Occidental
S - Sudamrica
T - Regin del Caribe
U - Rusia y ex-estados soviticos
V - Sur de Asia (excepto Pakistn), Regin Continental del Sur-Occidente de Asia, Hong Kong y
Macau
W - Sur-Oriente Martimo de Asia (excepto Islas Filipinas)
Y - Australia
Z - Oriente de Asia (excepto Hong Kong, Japn, Macau, Corea del Sur y Taiwn)
Tabla 1: Regiones mundiales y su correspondiente letra del abecedario.
Los 6 nodos definidos en el proyecto que engloban los aeropuertos mundiales que no corresponden al territorio
espaol son:
Nodo frica: G, D, H, F
24
Nodo Amrica del Norte: C, K, B, P
Nodo Amrica del Sur: M, T, S
Nodo Asia: O, U, V, Z, R
Nodo Europa: L, E
Nodo Oceana: Y, A, N, W
Figura 7: Localizacin de los nodos.
Las conexiones que unen los diversos nodos son las rutas entre los diferentes aeropuertos. No todos los
aeropuertos espaoles tienen rutas internacionales con aeropuertos fuera del territorio espaol, ni estn todas
conectadas con todas. Ms adelante se analizan y se determinan las rutas ms influyentes de la red en cuanto a
nmero de vuelos anuales que pasan por ellas y en cuanto a nmero de vuelos regulados.
No hay un nmero de rutas constante a lo largo del ao. En verano aumenta el nmero de rutas y en otoo e
inverno disminuye. ni siquiera dos das consecutivos operan las mismas rutas. Para facilitar el anlisis y el
clculo de las funciones de probabilidad de demoras ATFM de cada ruta se ha establecido un nmero de rutas
constante a lo largo de todo el ao, lo cual se centra en el carcter de modelizacin y metodologa de este
Proyecto. Para ello se han seleccionado todas las rutas que pasan por la Red ATM Espaola comunes en los doce
meses del ao.
Este nmero de rutas es muy amplio, alrededor de 500, por lo que se ha decidido seleccionar slo aquellas rutas
con al menos un vuelo diario (en promedio). Eliminando del estudio estadstico todas las dems. Finalmente el
nmero de rutas para realizar el estudio estadstico y anlisis de la red se reduce a aproximadamente 180 , que
conectan la gran mayora de los nodos.
As mismo se consideran 4 tipos de rutas, en funcin de los datos disponibles:
25
Origen/Destino (O/D) Espaa: De este tipo de rutas se analizan y se calculan las distribuciones de
minutos de demoras ATFM tanto en salidas como en llegadas. Por tener disponibles los datos necesarios
(CTOT, ETOT, ALDT y ELDT) de todos los vuelos del ao 2014.
Origen Extranjero-Destino Espaa: De este tipo de rutas tambin ser posible calcular las
distribuciones de minutos de demoras ATFM tanto en salidas como en llegadas. Tienen especial
importancia las rutas con origen el "nodo Europa" ya que son las que ms regulaciones tienen y las que
ms demoras ATFM en salidas pueden tener. Tambin destacar que tanto las rutas con origen "nodo
Amrica del Sur" como las de origen "nodo Oceana" no tienen ninguna regulacin recogida en CFMU. Es
decir, estas ltimas rutas no van a tener demoras ATFM en salidas.
Origen Espaa-Destino Extranjero: De este tipo de rutas slo se dispone de informacin para poder
calcular las distribuciones de las demoras ATFM en salidas.
Origen/Destino (O/D) Extranjero que sobrevuelan Espaa: Los datos de este tipo de rutas son
limitados. Es posible conocer solamente las distribuciones de las demoras ATFM en salidas.
La descripcin de nodos y sus conexiones ser de especial utilidad en la tercera fase del proyecto (figura 1), la
cual no se incluyen en este PFC. Consiste en la realizacin del modelo de prediccin de propagacin de demoras
ATFM de toda la Red ATM Espaola.
Una "foto final" del modelo sera la de la figura ---
AADIR FIGURA CON NODOS Y CONEXIONES

Figura 8
3.3 Datos y Fuentes de datos
Los datos necesarios para la realizacin de este proyecto son los datos de todos los vuelos IFR que hayan
realizado movimientos de aterrizaje y/o despegue, as como sobrevuelos en territorio Espaol. El indicativo de
esas aeronaves, su aeropuerto de origen y el de destino as como los tiempos ETOT, CTOT, ELDT y ALDT en la
medida en que estn disponibles.
Estos datos se han obtenido de tres fuentes de datos operacionales:
CFMU (Central Flow Management Unit): Organizacin de EUROCONTROL cuya funcin es centralizar
todos los datos de operacin del espacio areo de los pases miembros de EUROCONTROL. De esta
fuente de datos se han obtenido todos los CTOTs y ETOTs asignados en el ao 2014.
PALESTRA: base de datos donde se graban las seales detectadas por radares espaoles. Es decir datos
de lo que realmente ha pasado. De esta fuente se ha obtenido el ALDT de todos los vuelos del ao 2014.
GIPV (Gestor de Informacin de Planes de Vuelo): base de datos donde se encuentran los planes de
vuelo de todas las aeronaves que van a volar o han volado en territorio espaol y las actualizaciones de
26
dichos planes de vuelo. De esta fuente de datos se ha cogido el ELDT del primer plan de vuelo de todas
las aeronaves del ao 2014.
Ha sido necesario cruzar los datos de las bases de datos de PALESTRA y de GIPV para calcular las demoras ATFM
correspondientes a llegadas en las diferentes rutas.
Todos los datos del proyecto son datos reales de los movimientos en toda la red ATM Espaola del ao 2014, se
han manejado alrededor de seis millones de datos.
En los datos de ese ao apenas hay regulaciones, ya que no fue un ao con excesiva demanda, este hecho influir
significativamente en los resultados.
3.3.1 Filtrado de los Datos

Antes de realizar el anlisis se ha hecho una limpieza de los datos. Se han eliminado aquellos vuelos con el mismo
aeropuerto en origen y en destino, as como aquellos vuelos que estuvieran duplicados.
De GIPV se obtienen todas las actualizaciones del plan de vuelo, incluye todos los ELDT dados a cada aeronave a
lo largo de su vuelo. Para realizar el estudio se ha tenido en cuenta nicamente el primer ELDT de cada vuelo, ya
que si se cogiese el ltimo apenas habra demoras o vuelos adelantados.
Cogiendo el primer ELDT tambin es posible observar la desviacin de la planificacin con respecto a la realidad.
27
3.4 Estudio de la Red ATM Espaola
A continuacin se muestra un esquema de la organizacin de este apartado:
Anlisis de demoras ATFM Anlisis de demoras ATFM Nociones Tericas de

en salidas en llegadas Estadstica
Funciones de Densidad de
Red Global Red Global
Probabilidad
Mtodos de Bondad de
Ruta por ruta Ruta por ruta
Ajuste
Se dedicar un breve apartado para el anlisis de la ruta Madrid-Barcelona (LEMD-LEBL y LEBL-LEMD) en

ambas direcciones, ya que la aplicacin de Redes Neuronales y Redes de Bayes ser sobre demoras ATFM en esa
ruta.
Se escoge esa ruta por ser una de las ms importantes de la Red ATM Espaola, adems de tener origen y destino
en aeropuertos espaoles gestionados por ENAIRE, es una de las rutas que ms trfico anual gestiona.
3.4.1 Anlisis de Demoras ATFM en salidas

Este anlisis es necesario para comprender y conocer el funcionamiento de la Red ATM Espaola en los
aeropuertos (o nodos) de origen de todas las rutas. A travs de l es posible conocer la distribucin de tiempo
que sigue la asignacin de CTOTs.
Se calcula la cantidad de vuelos regulados en cada ruta a lo largo del ao, se observa su variacin segn
estacionalidad u otras variables que puedan afectar a que haya una mayor o menor regulacin.
En este primer anlisis de demoras ATFM en salidas:
Se ha determinado el nmero de vuelos totales que han volado por las diferentes rutas tanto
mensualmente como anualmente en el ao 2014.
Se ha determinado el nmero de vuelos regulados (con CTOT asignado) en cada ruta. Pudiendo as
calcular el porcentaje de vuelos regulados respecto de los totales en cada ruta.
Se ha calculado la demora ATFM de cada vuelo en minutos, es decir la diferencia entre el CTOT y el ETOT
de todos aquellos vuelos que tuvieran asignado un CTOT. Aquellos vuelos que tuvieran un CTOT idntico
al ETOT no tienen demora ATFM pero s estn regulados.
Se ha calculado la distribucin de los minutos de demora en cada ruta en funcin del nmero de vuelos
con CTOT asignado. Pudiendo determinar as las funciones de probabilidad de demoras ATFM en salidas
de cada ruta.
28
Demoras ATFM en salidas en la Red global
Antes de comenzar el anlisis ruta por ruta y siguiendo el esquema de la organizacin de este apartado, se ha
hecho un anlisis preliminar en la Red global. Se han tenido en cuenta los vuelos de todas las rutas a lo largo de
los 12 meses de 2014 as como el nmero de vuelos regulados en toda la Red.
Se ha calculado la distribucin de los minutos de demora ATFM en cada ruta en funcin del nmero de vuelos
con CTOT asignado de la Red.
NVUELOS %VUELOS
N VUELOS
REGULADOS REGULADOS
ENERO 103750 8357 8,05%
FEBRERO 111533 8757 7,85%
MARZO 119316 9156 7,67%
ABRIL 136297 8817 6,47%
MAYO 153874 17909 11,64%
JUNIO 160755 27368 17,02%
JULIO 177462 32023 18,04%
AGOSTO 180576 32393 17,94%
SEPTIEMBRE 160434 20049 12,50%
OCTUBRE 150488 15970 10,61%
NOVIEMBRE 114159 12630 11,06%
DICIEMBRE 112055 6987 6,24%
Tabla 2: Nmero de vuelos totales, regulados y su porcentaje.
200000 Red Global 2014 N VUELOS

180000
160000
140000
120000
100000
80000
60000
40000
20000
0
Figura 9: Nmero de vuelos totales y regulados a lo largo de los 12 meses de 2014.
Se observa en la figura 9 que en general en la mayora de los meses (excepto en marzo y abril) el nmero de
vuelos regulados aumenta a medida que aumenta el nmero de vuelos.
Tiene importancia destacar que no todos los vuelos regulados suponen una demora ATFM. En muchas ocasiones
el CTOT asignado coincide con el ETOT. Esto no supone una demora real pero si puede tenerse en cuenta a la
hora de pensar en potenciales demoras ATFM.
29
En la siguiente tabla se observa en qu medida las regulaciones a travs de asignacin de CTOT suponen adems
una demora ATFM de ms de "cero" minutos.
% ABS. VUELOS % RELAT. VUELOS

% ABS. VUELOS REGULADOS Y CON REGULADOS Y CON
REGULADOS DEMORA de ms de DEMORA de ms de
"cero" minutos "cero" minutos
ENERO 8,05% 4,97% 61,66%
FEBRERO 7,85% 4,82% 61,44%
MARZO 7,67% 4,70% 61,26%
ABRIL 6,47% 3,57% 55,12%
MAYO 11,64% 6,61% 56,76%
JUNIO 17,02% 10,38% 60,96%
JULIO 18,04% 10,88% 60,28%
AGOSTO 17,94% 11,14% 62,12%
SEPTIEMBRE 12,50% 7,16% 57,31%
OCTUBRE 10,61% 6,23% 58,70%
NOVIEMBRE 11,06% 7,16% 64,70%
DICIEMBRE 6,24% 3,96% 63,50%
Tabla 3: Porcentajes relativos y absolutos del total de vuelos regulados en 2014.
Observando la tabla 3, a la hora de centrarnos en el anlisis de demoras, conviene tener en cuenta los
porcentajes de la segunda columna ya que son los porcentajes de vuelos con CTOT y que adems suponen una
demora ATFM, objeto del estudio de este Proyecto.
Es interesante remarcar, que a pesar de aumentar las regulaciones por variaciones estacionales, no aumentan los
vuelos con demora ATFM. Se mantienen prcticamente con el mismo porcentaje relativo a lo largo del ao en la
Red Global, lo que ofrece un importante resultado preliminar.
8000
7000 Red Global 2014

N Vuelos con CTOT
6000
5000
4000
Distribucin de CTOTs
3000
2000
1000
0
100
55
67
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
58
61
64
70
73
76
79
82
85
88
91
94
97
Minutos de demora ATFM
Figura 10: Distribucin de CTOTs en la Red Global en el ao 2014.
La figura 10 representa la distribucin anual de minutos de demora ATFM en funcin del nmero de vuelos que
tienen asignado un CTOT. La figura 11 representa la Funcin de densidad de probabilidad de los minutos de
30
demora ATFM en la Red Global. Se ha determinado que esta Funcin de densidad de probabilidad sigue la
distribucin de Pearson.
Funcin de densidad de probabilidad Red Global 2014

0,16
0,14
0,12
0,1
f(Minutos)
0,08
0,06
0,04
0,02
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
Figura 11: FDP de los minutos de demora ATFM en la Red Global.
Hasta ahora, en las figuras 10 y 11, se representaban distribuciones de minutos de demora ATFM anuales pero
no se ha observado mensualmente.
Para conocer un poco ms los tiempos de asignacin de CTOTs a lo largo de los 12 ,eses, se realiza tambin un
breve anlisis mensual a nivel de la Red Global de la media de minutos de demora por vuelo regulado y que
adems tengan una diferencia de CTOT-ETOT diferente de "cero".
Para hallar esta media de minutos de demora ATFM por vuelo se han sumado todos los minutos de demora del
mes correspondiente y se ha dividido entre aquellos vuelos que tenan asignado un CTOT diferente de su ETOT.
MES Min/Vuelo Tabla 4: Media de minutos de demora por vuelo mensual.

Enero 19
35
Febrero 20
30 Media Min/Vuelo mensual
Marzo 21
25
Abril 19 20
Mayo 20 15
Junio 29 10
Julio 19 5
0
Agosto 18
Septiembre 17
Octubre 17
Noviembre 19 Figura 12: Media de minutos de demora ATFM por vuelo mensual.
Diciembre 21
Se comprueba en la figura 12, cuyos datos corresponden a los de la tabla 4, que prcticamente en todos los meses
la media de minutos de demora ATFM por vuelo en est entre los 17 y los 21 minutos, excepto en el mes de junio
que aumenta a 29 minutos.
31
Por los resultados expuestos, se puede concluir que en el mes de junio hay mayor nmero de vuelos con una
demora ATFM de ms minutos que en los dems meses.
Demoras ATFM en salidas por ruta

Del mismo modo que se ha analizado la Red Global, se ha analizado cada ruta por separado.
A modo ilustrativo del anlisis realizado en demoras ATFM en salidas por ruta se adjunta una tabla con los
clculos realizados en el 25% de las rutas (son las ms significativas, ya que llevan ms del 90% del trfico anual)
en dos meses muy diferentes del ao 2014 (estando disponibles estos clculos para todas las rutas de la Red, en
todos los meses del ao):
32
VUELOS REGULACIO % VUELOS % VUELOS
NVUELOS N REG NVUELOS N REG
RUTAS ANUALES NES REGULADOS REGULADOS
ENERO ENERO JUNIO JUNIO
TOTALES ANUALES ENERO JUNIO
Europa-Europa 171838 TOTALES
27761 10078 1050 10% 16602 2796 17%
LEBL-Europa 84003 12499 5071 439 9% 8310 1759 21%
Europa-LEBL 83804 11071 5033 221 4% 8310 1654 20%
Europa-LEMD 79916 7650 5880 339 6% 7162 1320 18%
LEMD-Europa 79888 9712 5840 480 8% 7165 1300 18%
Europa-Africa 72514 6493 5755 492 9% 6077 761 13%
Africa-Europa 65703 6693 5115 398 8% 5543 912 16%
Europa-LEPA 57887 16211 880 66 8% 8044 3139 39%
LEPA-Europa 57808 13164 871 49 6% 8097 2676 33%
LEMG-Europa 39062 4781 1883 182 10% 4124 801 19%
Europa-LEMG 38934 4578 1866 176 9% 4101 901 22%
Europa-LEAL 27024 3584 1356 81 6% 2854 722 25%
LEAL-Europa 26993 4977 1363 102 7% 2849 905 32%
Europa-GCTS 23331 4101 2192 498 23% 1597 284 18%
GCTS-Europa 22920 3340 2179 494 23% 1567 201 13%
GCLP-Europa 18070 3330 1965 475 24% 1070 174 16%
Europa-GCLP 17904 3930 1969 430 22% 1050 255 24%
LEIB-Europa 16135 3478 73 7 10% 2597 613 24%
Europa-LEIB 16130 3313 66 7 11% 2588 612 24%
Europa-GCRR 12230 2568 1007 188 19% 980 169 17%
GCRR-Europa 11765 2110 974 141 14% 950 148 16%
LEMD-Amer.Sur 11628 780 973 123 13% 993 12 1%
LEVC-Europa 11626 1882 732 53 7% 1092 272 25%
Amer.Sur-LEMD 11619 0 971 0 0% 994 0 0%
Europa-LEVC 11617 1241 725 32 4% 1095 210 19%
Amer.Sur-Europa 11104 0 948 0 0% 1045 0 0%
GCFV-Europa 10741 2532 861 181 21% 849 227 27%
Europa-GCFV 10434 2476 816 173 21% 820 255 31%
Europa-Amer.Sur 10195 770 1145 258 23% 798 43 5%
LEMD-LEBL 8953 456 772 8 1% 811 44 5%
LEBL-LEMD 8825 210 740 6 1% 813 39 5%
Europa-LEBB 7963 719 528 25 5% 756 141 19%
LEBB-Europa 7938 1273 527 49 9% 756 173 23%
Europa-LEGE 7261 1143 256 10 4% 892 188 21%
LEGE-Europa 7256 1003 255 11 4% 890 198 22%
LEZL-Europa 6494 722 455 32 7% 619 93 15%
Europa-LEZL 6485 423 456 20 4% 630 75 12%
GCLP-GCXO 6430 42 542 3 1% 589 0 0%
Asia-LEBL 6427 96 393 0 0% 860 22 3%
LEBL-Asia 6380 1232 390 59 15% 849 225 27%
LEBL-LEPA 6288 380 458 5 1% 583 69 12%
LEPA-LEBL 6232 361 444 3 1% 574 34 6%
GCXO-GCLP 6130 61 526 5 1% 569 7 1%
Africa-LEMD 6050 262 508 18 4% 533 45 8%
LEMD-Africa 5937 167 496 24 5% 527 23 4%
GCLP-GCRR 5628 146 436 4 1% 482 9 2%
GCRR-GCLP 5470 145 409 1 0% 473 16 3%
LEMD-LEPA 5183 349 366 2 1% 478 60 13%
GCXO-GCLA 5067 66 370 8 2% 436 11 3%
Amer.Norte-LEMD 5053 1 290 0 0% 544 0 0%
LEMD-Amer.Norte 5049 308 291 43 15% 545 10 2%
GCLA-GCXO 5048 90 369 12 3% 434 7 2%
GCFV-GCLP 4991 119 379 1 0% 441 10 2%
LEPA-LEMD 4988 117 359 5 1% 451 9 2%
GCLP-GCFV 4749 120 350 3 1% 418 11 3%
LEMH-Europa 4620 1498 9 1 11% 775 347 45%
Europa-LEMH 4571 1329 9 1 11% 767 234 31%
LEMD-GCLP 4080 149 328 15 5% 350 0 0%
GCLP-LEMD 3949 214 324 32 10% 340 13 4%
33
LEBL-Africa 3898 183 302 9 3% 330 23 7%
Africa-LEBL 3832 269 300 14 5% 330 35 11%
LEMD-Asia 3730 463 318 26 8% 318 69 22%
Asia-LEMD 3721 17 315 1 0% 320 3 1%
Africa-Africa 3630 2 316 1 0% 282 0 0%
LELC-Europa 3603 480 108 8 7% 462 98 21%
Europa-LELC 3592 263 108 7 6% 456 56 12%
GCXO-LEMD 3500 296 286 39 14% 305 21 7%
LEMD-LEBB 3448 20 245 0 0% 323 4 1%
LEBB-LEMD 3439 108 238 1 0% 320 25 8%
LEMD-GCXO 3382 252 285 31 11% 295 12 4%
LEPA-LEIB 3315 47 231 0 0% 327 3 1%
LEBL-LEIB 3289 91 137 0 0% 384 6 2%
LEIB-LEBL 3278 303 140 0 0% 379 24 6%
LEIB-LEPA 3104 223 218 2 1% 313 36 12%
GCLP-Africa 2807 31 309 6 2% 220 0 0%
LEMD-LECO 2798 7 252 4 2% 252 0 0%
LEVC-LEMD 2796 94 204 1 0% 241 24 10%
LEPA-LEMH 2783 48 216 0 0% 262 4 2%
LECO-LEMD 2777 77 241 8 3% 253 14 6%
LEZL-LEBL 2720 182 204 2 1% 256 16 6%
LEBL-LEZL 2712 45 203 4 2% 251 4 2%
Europa-LERS 2712 474 40 4 10% 414 76 18%
LEMD-LEVC 2711 28 203 0 0% 236 1 0%
LERS-Europa 2709 370 41 4 10% 415 69 17%
LEMH-LEPA 2690 116 206 1 0% 261 23 9%
Africa-GCLP 2655 18 287 3 1% 190 0 0%
LEMG-GEML 2605 0 203 0 0% 204 0 0%
GEML-LEMG 2585 1 202 0 0% 202 0 0%
LEIB-LEMD 2491 130 120 2 2% 290 20 7%
LEPA-LEVC 2395 15 186 0 0% 203 0 0%
LEMH-LEBL 2395 240 101 1 1% 262 17 6%
LEVC-LEPA 2381 171 184 1 1% 202 31 15%
LEMD-LEAS 2363 10 215 5 2% 247 2 1%
LEAS-LEMD 2356 94 217 7 3% 246 17 7%
LEMD-LEIB 2356 77 116 0 0% 276 14 5%
LEMD-LEVX 2346 8 198 3 2% 209 0 0%
Amer.Norte-LEBL 2337 13 94 0 0% 292 4 1%
LEVX-LEMD 2335 76 194 7 4% 210 16 8%
LEBL-Amer.Norte 2331 265 89 16 18% 302 26 9%
LEBL-LEMH 2309 153 92 0 0% 254 12 5%
GCXO-GCRR 2124 138 154 14 9% 191 11 6%
GCRR-GCXO 2119 115 153 8 5% 190 12 6%
LEST-LEMD 1950 61 160 6 4% 185 11 6%
LEBL-LEMG 1929 35 136 4 3% 180 3 2%
LEMG-LEBL 1924 149 139 5 4% 176 10 6%
LEMG-LEMD 1915 94 154 4 3% 164 18 11%
LEMD-LEST 1909 10 150 1 1% 186 2 1%
LEMD-LEMG 1903 8 152 1 1% 158 2 1%
Europa-LEZG 1829 155 132 4 3% 151 21 14%
LEBB-LEBL 1775 107 139 0 0% 160 9 6%
LEBL-LEBB 1775 47 143 0 0% 159 5 3%
Europa-LEST 1631 168 82 6 7% 164 27 16%
LEMD-LEAL 1629 21 88 0 0% 134 0 0%
LEAL-LEMD 1624 81 88 1 1% 134 25 19%
LEST-Europa 1613 236 79 12 15% 164 37 23%
LEMD-LEXJ 1608 10 122 0 0% 166 4 2%
LEXJ-LEMD 1594 66 119 2 2% 164 17 10%
LEZG-Europa 1578 90 118 2 2% 138 14 10%
LEMD-LESO 1533 7 120 1 1% 149 0 0%
Tabla 5: Anlisis por ruta de los vuelos regulados en enero y junio.
34
De los datos de la tabla 6 derivan una serie de observaciones y conclusiones:
Se aprecia la variacin porcentual mensual del nmero de vuelos regulados en cada ruta y su variacin en
funcin del nmero de vuelos.
Las regulaciones en cada ruta varan de forma diferente en funcin del nmero de vuelos. No siempre en todas
las rutas se cumple que un aumento de la demanda suponga un aumento porcentual aun mayor de vuelos
regulados en esas rutas. Por ejemplo, la zona de Canarias, a pesar de no tener un trfico anual significativo, suele
estar ms regulada que otras zonas.
A la vista de los datos de la tabla anterior, se podra afirmar que el nmero de vuelos regulados vara en funcin
de la demanda total por ruta y a su vez este nmero de vuelos por ruta vara mensualmente a lo largo del ao.
Influye significativamente la demanda estacional, en los meses de verano, en general, se incrementa la demanda
de vuelos (excepto en la zona de Canarias y otras rutas) as como la oferta de rutas.
Se observa tambin que a pesar del aumento de vuelos regulados en funcin del nmero de vuelos y del mes, la
distribucin de CTOTs en funcin de los minutos de demora ATFM por vuelo se mantiene constante. En las rutas
con mayor nmero de vuelos esta distribucin de minutos de demora se mantiene alrededor de 10 minutos a lo
largo de todos los meses del ao, siendo independiente tambin del nmero de vuelos de la ruta. Es decir, la
mayora de los CTOTs que se asignan son de 10 minutos respecto del ETOT del vuelo afectado.
Es previsible que en una ruta con un aumento de vuelos regulados con CTOT tenga como consecuencia un mayor
nmero de demoras ATFM en llegadas.
A modo de ejemplo, se adjuntan los grficos con las distribuciones de asignacin de CTOTs en funcin de los
minutos de demora ATFM de 4 de las rutas ms significativas en los dos meses analizados en la tabla anterior
(Figura 14) .
As como los grficos con la Funcin de densidad de probabilidad anual de dichas rutas (Figuras 15,16 y 17).
Estas funciones de densidad de probabilidad estn disponibles para las rutas ms significativas en el Anexo 2.
35
60
1
0,9 Ruta Amer.Sur-LEMD Ruta LEMD-Europa

50
0,8
N Vuelos con CTOT

0,7
N Vuelos con CTOT
40
0,6 Junio
0,5 30
Enero
0,4
0,3 20
0,2
10
0,1
0
0 10 20 30 40 50 60 70 80 90 100 0
0 10 20 30 40 50 60 70 80 90 100
Minutos de demora ATFM Minutos de demora ATFM
50
45
Ruta Europa-LEBL 80 Ruta Europa-Europa
40 70
N Vuelos con CTOT
35
N Vuelos con CTOT

60
30
50
25
40
20
30
15
10 20
5 10
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Figura 13: Distribucin de CTOTs de las 4 rutas ms significativas
En la figura 14 se observa un aumento de vuelos regulados en el mes de junio tal y como se ha comentado en
prrafos anteriores.
Es de esperar que las rutas ms reguladas sean las que tienen origen en aeropuertos Europeos, ya que los CTOTs
se suelen asignar segn la necesidad equilibrar demanda y capacidad en el espacio areo Europeo. En las rutas
con origen Amrica del Sur (en 2014) no se asignaron CTOTs; en las rutas con origen Asia, frica y Amrica del
Norte de asignaron CTOTs pero en menor nmero que en las de origen Europa.
36
Funcin de densidad de probabilidad LEMD-Europa
0,22
0,2
0,18
0,16
0,14
f(Minutos)
0,12
0,1
0,08
0,06
0,04
0,02
0
0 20 40 60 80 100 120 140 160
Figura 14: FDP ruta LEMD-Europa
Funcin de densidad de probabilidad Europa-LEBL

0,24
0,22
0,2
0,18
0,16
f(Minutos)
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Figura 15: FDP ruta Europa-LEBL
Funcin de densidad de probabilidad Europa-Europa
0,22
0,2
0,18
0,16
0,14
f(Minutos)
0,12
0,1
0,08
0,06
0,04
0,02
0
0 20 40 60 80 100 120 140 160 180 200 220 240 260
Figura 16:FDP ruta Europa-Europa
37
Como se ha comentado la asignacin de CTOTs en la mayora de las rutas a lo largo del ao 2014 ronda los 10
minutos de demora ATFM, lo que no supone una demora como tal segn la definicin de EUROCONTROL del
captulo previo, sin embargo la media de minutos de demora en al menos 60 de las rutas ms significativas es
superior a 15 minutos.
Se adjunta tambin una tabla con la media de minutos de demora ATFM anual por vuelo en las rutas ms
significativas.
Media Media Media Media

RUTAS min/vuelo RUTAS min/vuelo RUTAS min/vuelo RUTAS min/vuelo
demorado demorado demorado demorado
Africa-Europa 29 Africa-Africa 21 Europa-LEMD 19 LEMD-Amer.Norte 17
LEPA-LEBL 27 LEMD-LEBL 21 GCLP-GCFV 19 LEMD-LEBB 17
LEGE-Europa 26 Europa-LEAL 21 Europa-GCFV 19 LEBL-Africa 16
LEZL-LEBL 26 GCFV-GCLP 21 GCXO-GCLP 19 LEVC-LEMD 16
Europa-LEGE 25 LEIB-Europa 21 LEMD-Europa 19 LEMD-Asia 16
Europa-LEZL 25 LEBL-LEPA 20 Europa-LEMH 19 Europa-LEBB 16
GCLP-GCRR 24 LERS-Europa 20 Europa-Amer.Sur 19 LECO-LEMD 15
Europa-LEBL 24 LELC-Europa 20 LEPA-LEMH 19 GCXO-LEMD 15
Asia-LEBL 24 LEVC-Europa 20 LEPA-LEMD 18 LEMD-GCXO 15
Europa-LELC 24 LEBL-LEIB 20 LEMG-Europa 18 LEMD-LEPA 14
LEIB-LEBL 24 GCLP-Africa 20 Europa-GCRR 18 LEBB-LEMD 14
GCLP-GCXO 23 LEIB-LEPA 20 GCTS-Europa 18 GCLP-LEMD 14
LEAL-Europa 23 LEBL-Europa 20 Europa-GCTS 18 LEBL-LEMD 14
Africa-LEBL 23 LEPA-Europa 20 GCXO-GCLA 17 LEMD-GCLP 14
LEZL-Europa 23 Europa-LEVC 20 GCLP-Europa 17 LEMD-Africa 11
Europa-LERS 22 Europa-LEMG 20 Asia-LEMD 17 LEMD-LEVC 8
LEBB-Europa 22 GCRR-Europa 20 Europa-GCLP 17 LEMD-LECO 7
Europa-Europa 21 Europa-LEIB 19 LEMD-Amer.Sur 17 GEML-LEMG 5
LEMH-LEPA 21 GCFV-Europa 19 GCLA-GCXO 17 Amer.Sur-LEMD 0
LEBL-Asia 21 Europa-LEPA 19 Africa-LEMD 17 Amer.Sur-Europa 0
Europa-Africa 21 LEPA-LEIB 19 LEBL-LEZL 17 Amer.Norte-LEMD 0
GCRR-GCLP 21 LEMH-Europa 19 Africa-GCLP 17 LEMG-GEML 0
Tabla 6: Media de minutos de demora por vuelo en las rutas ms significativas.
3.4.2 Anlisis de Demoras ATFM en llegadas

Este anlisis se enfoca de forma diferente al de las demoras ATFM en salidas, ya que en el apartado anterior se ha
realizado un primer anlisis de vuelos regulados (si tenan CTOT o no) para poder hallar los minutos de demora
ATFM y su distribucin para su posterior modelizacin.
En este apartado se realizar un anlisis distinto, teniendo en cuenta nicamente los minutos, tanto si son
minutos de demora como de adelanto, dados por la diferencia entre ALDT-ELDT. Este anlisis, ms sencillo en su
concepto, resulta complementario en sus conclusiones al anterior, contribuyendo ambos al modelo.
Demoras ATFM en llegadas en la Red global

Al igual que en las demoras ATFM de salida, en este tipo de demoras se ha hecho un anlisis preliminar en la Red
global. Se han tenido en cuenta los vuelos de todas las rutas a lo largo de los 12 meses de 2014.
En la figura 18 se representa la distribucin de minutos de demora en funcin del nmero de vuelos y en la

figura 19 su FDP (Funcin Densidad de Probabilidad). Esta FDP se ajusta bien a la distribucin Normal en la Red
Global segn el criterio de Kolmogorov-Smirnov, definido en el apartado 3.5.
38
30000
Red Global 2014
25000
Numero de Vuelos
20000
15000
10000
5000
0
-100
5
12
19
26
33
40
47
54
61
68
75
82
89
96
-44
-93
-86
-79
-72
-65
-58
-51
-37
-30
-23
-16
-9
-2
Minutos de diferencia ALDT-ELDT
Figura 17: Distribucin de minutos de demora en llegadas en la Red Global.
Segn los datos de 2014, alrededor del 63% de los vuelos llegan entre -15 y 15 minutos. En este proyecto, como
se definir en el captulo 4 estos vuelos se considerarn puntuales.
Funcin de densidad de probabilidad Red Global 2014

0,11
0,1
0,09
0,08
0,07
f(Minutos)
0,06
0,05
0,04
0,03
0,02
0,01
0
-100 -80 -60 -40 -20 0 20 40 60 80 100
Minutos de demora
Figura 18: FDP minutos de demora de la Red Global.
Se ha calculado la media de minutos de demora o adelanto por vuelo a lo largo de los 12 meses del ao en la Red
global. Es completamente opuesto a lo que ocurra con las demoras ATFM de salidas, ya que estas ltimas tenan
la condicin impuesta de tener un CTOT diferente del ETOT y siempre eran minutos de demora no de adelanto.
MES Min/Vuelo
Enero 11
Febrero -10
Marzo 8
Abril -13
Mayo -12
39
Junio 15
Julio -16 Tabla 7: Media de minutos de demora por vuelo mensual.
Agosto -15
Septiembre -13
Octubre -10
Noviembre -12
Diciembre -15
20 Media Min/Vuelo mensual
15
10
5
0
-5
Figura 19: Media de minutos de demora por vuelo mensual.
-10
-15
-20
A la vista de los datos se puede concluir, a nivel de Red Global, que la estacionalidad o la demanda no son
relevantes en que la media de los minutos de demora sea positiva o negativa.
Posiblemente en el anlisis por ruta se pueda observar otro comportamiento frente a la estacionalidad o la
demanda.
Demoras ATFM en llegadas por ruta

Se adjuntan grficas correspondientes a dos de las rutas de la figura 13 con la distribucin de minutos de demora
ATFM en llegadas en diferentes meses. Slo es posible analizar las distribuciones y su FDP en rutas con destino
Espaa ya que slo se disponen de datos del ALDT de aeropuertos espaoles.
Ruta Amr. Sur-LEMD Ruta Europa-LEBL

40 400
35 350
ENERO
30 300 ENERO
ABRIL
ABRIL
25 250
JUNIO
JUNIO
Nmero 20 OCTUBRE Nmero 200 OCTUBRE
de vuelos de vuelos
15 150
10 100
5 50
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 20: Distribucin minutos de demora rutas Amer.Sur-LEMD y Europa-LEBL
Se observa en la figura 21 que el comportamiento de ambas rutas es distinto en los meses de abril y octubre, en
los que parece haber mayor nmero de vuelos adelantados que en los meses de enero y junio, en los que ocurre
todo lo contrario.
40
Las figuras 22 y 23 son las FDP de las rutas Europa-LEBL y Amrica del Sur-LEMD.
Figura 21: FDP ruta Europa-LEBL
Figura 22: FDP ruta Amer.Sur-LEMD
Se han calculado tambin las distribuciones de minutos de demora ATFM en llegadas en diferentes meses de
otras rutas con Origen/Destino Espaa para observar la influencia de la estacionalidad en cada una de ellas:
Las rutas con origen o destino Canarias son de inters por ser algunas de las rutas ms reguladas en relacin con
el nmero de vuelos que las recorren. En el mes de enero (ver tabla 5) superan el 20% de vuelos regulados,
duplicando el porcentaje de la Red Global en ese mes.
41
Ruta GCLP-LEMD Ruta GCXO-LEMD
20 25
ENERO ENERO
18
ABRIL 20 ABRIL
16
JUNIO JUNIO
14
OCTUBRE OCTUBRE
12 15
Nmero Nmero
10
de vuelos de vuelos
8 10
4 5
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 23: Distribucin de minutos de demora en rutas con origen Canarias y destino Madrid
Ruta LEMD-GCLP Ruta LEMD-GCXO

25
25
ENERO ENERO
20
ABRIL 20
ABRIL
JUNIO JUNIO
15 OCTUBRE 15 OCTUBRE
Nmero Nmero
de vuelos de vuelos
10
10
5 5
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 24: Distribucin de minutos de demora en rutas con origen Madrid y destino Canarias
En todas estas rutas ocurre lo mismo que en las de la figura 21, en abril y octubre la mayora de los vuelos llegan
con adelanto y en enero y junio llegan con una demora de entre 0 y 50 minutos.
Tambin son interesantes las rutas con origen o destino el aeropuerto de Mlaga, por generar un alto volumen
de movimientos entre los aeropuertos espaoles, sobre todo desde Madrid y Barcelona.
Ruta LEBL-LEPA Ruta LEPA-LEBL

35 40
30 35
25 30
ENERO ENERO
25
20
Nmero ABRIL Nmero ABRIL
20
de vuelos 15 JUNIO de vuelos JUNIO
15
OCTUBRE OCTUBRE
10
10
5
5
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 25: Distribucin de minutos de demora en las rutas LEBL-LEPA y LEPA-LEBL
42
Ruta LEMD-LEPA Ruta LEPA-LEMD
40
30
35
25
30
20 ENERO 25
ENERO
ABRIL Nmero ABRIL

Nmero 15 20
de vuelos JUNIO
de vuelos JUNIO
15
10 OCTUBRE OCTUBRE
10
5
5
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 26: Distribucin de minutos de demora en las rutas LEMD-LEPA y LEPA-LEMD
El comportamiento de las demoras ATFM en llegadas en las rutas con origen o destino LEPA es completamente
opuesto al de las rutas de las figuras 24 y 25. En las figuras 26 y 27, la distribucin de los meses de octubre y
abril se inclina hacia el lado positivo del eje x (es decir mayor nmero de vuelos demorados) mientras que en los
meses de enero y junio la distribucin se inclina hacia la izquierda del eje vertical (en esos meses parece haber
ms vuelos adelantados).
3.4.3 Anlisis de Demoras ATFM en salidas y llegadas en la ruta Madrid-Barcelona y

Barcelona Madrid
En este apartado se analizan tanto las demoras ATFM de salidas como de llegadas en la ruta mencionada a modo
de ejemplo de otras significativas y como modo de anlisis, objeto de este proyecto. Para las variables
relacionadas con las demoras de esta ruta se disearn y aplicarn las Redes Bayesianas y las Redes Neuronales
en los captulos siguientes.
Demoras ATFM en salidas:
25 35
Ruta LEBL-LEMD Ruta LEMD-LEBL
30
20
25
Nmero de vuelos
Nmero de vuelos
15
ENERO ENERO
ABRIL 20 ABRIL
JUNIO JUNIO
10 OCTUBRE 15 OCTUBRE
10
5
5
0 0
0 5 10 15 20 25 30 0 10 20 30 40 50 60
Figura 27: Distribucin CTOTs rutas LEBL-LEMD y LEMD-LEBL.
43
Demoras ATFM en llegadas:
Ruta LEBL-LEMD Ruta LEMD-LEBL

90 90
80 80
ENERO ENERO
70 ABRIL 70 ABRIL
JUNIO JUNIO
60 60
OCTUBRE OCTUBRE
50 50
Nmero Nmero
de vuelos 40 de vuelos 40
30 30
20 20
10 10
0 0
-100 -50 0 50 100 -100 -50 0 50 100
Figura 28: Distribucin minutos de demora en llegadas rutas LEBL-LEMD y LEMD-LEBL.
En la figura 28, se observa que la ruta LEMD-LEBL tiene ms demoras ATFM en salidas que la ruta LEBL-LEMD .
Esto significa mayor nmero de CTOTs asignados en el aeropuerto de Madrid. En esta direccin de la ruta se
aplicarn las Redes Bayesianas para prediccin.
Muy diferente es lo que se observa en la figura 29, correspondiente a las demoras ATFM en llegadas, ya que son
muy similares en ambas rutas a pesar de la diferencia de las demoras ATFM en salidas.
3.5 Nociones Tericas de Estadstica
Como se ha comentado en los apartados anteriores, se han calculado las Funciones de Densidad de Probabilidad
(FDP) tanto de las demoras ATFM en salidas como en llegadas de las rutas ms significativas, as como de la Red
global.
Estas Funciones de Densidad de Probabilidad son necesarias para poder entender mejor la Red ATM Espaola,
las demoras y su propagacin en las diferentes rutas.
Cada ruta tiene una FDP diferente en salidas y en llegadas; se observa que la demora ATFM en salidas slo es
positiva (se asignan CTOT siempre mayores o iguales que el ETOT de la aeronave) mientras que la demora ATFM
en llegadas puede ser tanto positiva como negativa (pueden adelantarse o demorarse las aeronaves de su ELDT).
Las FDP ms comunes de las demoras ATFM en salidas en la mayora de las rutas son la Pearson y la GEV
(Generalized Extreme Value), como se observa en las figuras 14, 15 y 16. En cambio, las FDP ms comunes en las
demoras ATFM en llegadas son la Normal y la Johnson (figuras 22 y 23). Las FDP cambian mucho de una ruta a
otra, por lo que ha sido necesario calcular cada funcin de distribucin para cada ruta por separado. En el Anexo
2 se han incluido las de varias rutas.
Existen diferentes mtodos para determinar si el ajuste de una distribucin a un conjunto de datos es buena. Se
define a continuacin el mtodo de bondad de ajuste utilizado en este Proyecto:
44
Kolmogorov-Smirnov
Este procedimiento es un test no paramtrico que permite determinar la bondad de ajuste de dos distribuciones
de probabilidad entre s.
Es vlido para distribuciones continuas y sirve tanto para muestras grandes como para muestras pequeas,
conviene tener en cuenta que es ms sensible a los valores cercanos a la mediana que a los extremos de la
distribucin. Se necesita que la medicin considerada sea bsicamente continua.
En la prueba se compara la distribucin de frecuencia acumulativa de la distribucin terica con la distribucin

de frecuencia acumulativa observada. Se determina el punto en el que estas dos distribuciones muestran la
mayor divergencia.
Estadstico:
Para dos colas el estadstico viene dado por:
Si la diferencia suprema es menor que la diferencia tabulada por tabla, definida en base al tamao de la muestra,
se est en presencia de un buen ajuste con el nivel de confianza asumido. Si esta comparacin revela una
diferencia suficientemente grande entre las funciones de distribucin de la muestra de datos observada y la
distribucin propuesta terica, entonces se rechaza.
Para concluir, el capitulo 3 est enfocado al estudio global de toda la Red ATM Espaola, para la realizacin y el
desarrollo de un modelo que abarque todos sus nodos y conexiones.
Aunque en este Proyecto no se desarrolla el modelo, el primer objetivo era el estudio de la viabilidad de un
modelo que permitiera predecir la propagacin de demoras ATFM. Para alcanzarlo es necesario estudiar cada
nodo y cada ruta. Observar el comportamiento de las demoras en llegadas de los vuelos con demora ATFM en
salidas.
45
Captulo 4. Aplicacin de Redes Neuronales Artificiales para la
prediccin de demoras ATFM
Para facilitar la lectura del captulo se aade un pequeo esquema con la organizacin:
Fundamentos
Tericos de las
RNAs
Arquitectura
Modelo Neuronal
de la RNA
Algoritmo
Algoritmos de Otros
Backpropagati
aprendizaje algoritmos
on
Diseo de la
RNA para predecir Ruta de Datos
RNA y
demoras ATFM Estudio necesarios
Resultados
Figura 29: Esquema de la Organizacin del Captulo 4.
En este captulo se van a aplicar Redes Neuronales Artificiales como herramienta para predecir las demoras
ATFM en salidas y en llegadas. En concreto se aplica para predecir variables como el nmero de vuelos con
CTOT, la media de minutos de demora por vuelo en llegadas, la cantidad de vuelos segn el tipo de demora y la
demanda.
La capacidad y el potencial de esta herramienta es aplicable para dichas variables a todas las rutas de la Red ATM
Espaola.
4.1 Fundamentos Tericos de las RNAs
Las Redes Neuronales Artificiales (RNA) como se mencion en el segundo captulo son sistemas de procesado de
la informacin distribuida inspiradas en la estructura del sistema nervioso de los seres humanos. A partir de los
datos, son capaces de encontrar relaciones (patrones) por medio de algoritmos de aprendizaje.
Algunas ventajas de las RNA:
Son sistemas distribuidos no lineales, una neurona es un elemento no lineal y la interconexin entre de
ellas (red neuronal) tambin lo ser. Esta propiedad permite simular sistemas no lineales y caticos
(como el ATM).
46
Son sistemas tolerantes a fallos, al ser sistemas distribuidos permiten el fallo de algunas neuronas
individuales sin alterar significativamente la respuesta total del sistema.
Tienen adaptabilidad, son capaces de modificar los parmetros de los que depende su funcionamiento
de acuerdo con los cambios que se produzcan en su entorno de trabajo.
Establecen relaciones no lineales entre los datos.
Las aplicaciones de las RNA son muy diversas, pueden aplicarse en problemas de modelizacin, clasificacin y
prediccin (Perceptrn Multicapa), en agrupamiento de datos de forma automtica o "clustering" (SOM) as
como memoria asociativa (Red de Hopfield).
La unidad elemental de una RNA es un procesador llamado neurona. Estas neuronas artificiales se agrupan en
capas y poseen un alto grado de conectividad entre ellas. La arquitectura de una RNA est formada por mltiples
neuronas conectadas entre s mediante enlaces ponderados (o pesos ajustados).
Segn el nmero de capas la arquitectura de la RNA puede ser monocapa o multicapa.
Figura 30: RNAs monocapa y multicapa
Es importante sealar que la propiedad ms importantes de las RNA es su capacidad de aprender; a partir de un
conjunto de datos, es capaz de encontrar un modelo que se ajuste a ellos. El proceso de aprendizaje tambin
conocido como entrenamiento de la red puede ser supervisado o no supervisado.
El aprendizaje supervisado consiste en entrenar la RNA a partir de un conjunto de datos de entrada y salida. El
objetivo del algoritmo de aprendizaje es ajustar los pesos de la red (w) de tal manera que la salida generada por
la RNA sea lo ms parecida posible a la verdadera salida dada una cierta entrada. En definitiva, trata de
encontrar un modelo al proceso desconocido que gener la salida. Se llama aprendizaje supervisado cuando se
conoce el patrn de salida.
En el aprendizaje no supervisado se presenta slo un conjunto de datos a la RNA (datos de entrada o de

salida), el objetivo del algoritmo de aprendizaje es ajustar los pesos de la red de forma que la red encuentre
alguna estructura o configuracin presente en los datos.
47
4.2 Modelo Neuronal
En todo modelo neuronal hay cuatro elementos bsicos:
1. Conjunto de conexiones o pesos (w) que determinan el comportamiento de la neurona.
2. Un sumador que se encarga de sumar todas las entradas multiplicadas por los respectivos pesos.
3. Funcin de activacin no lineal para limitar la amplitud de la salida de la neurona.
4. Umbral exterior que determina el umbral por encima del cual la neurona se activa.
Figura 31: Esquema terico de una RNA
Matemticamente las operaciones seran:
donde es la funcin de activacin.
Normalmente se asocia el umbral a la salida mediante un peso asociado .
Algunas de las funciones de activacin ms comunes son:
Funcin signo
Funcin escaln unitario
48
Funcin sigmoidal
donde a fija la pendiente de la funcin en el origen.
4.2.1 Arquitectura de la RNA

Cada diseo de una RNA es diferente segn la aplicacin que se le vaya a dar.
Como se ha explicado en prrafos anteriores puede ser monocapa o multicapa y en cada capa puede haber
diferente nmero de neuronas. No se pueden dar unas reglas especficas para determinar el nmero de neuronas o
nmero de capas de una red para resolver un problema concreto.
Respecto al nmero de capas de la red, en general tres capas son suficientes (entrada -oculta-salida). Sin embargo, hay
veces que un problema es fcil de resolver con ms de una capa oculta. El tamao de las capas, tanto de entrada como
de salida, suele estar determinado por la naturaleza de la aplicacin. En cambio, decidir cuntas neuronas debe tener una
capa oculta no suele ser tan evidente. El nmero de neuronas ocultas interviene en la eficiencia de aprendizaje y de
generalizacin de la red. No hay ninguna regla que indique el nmero ptimo, en cada problema se debe probar cual es
el nmero adecuado.
Esta eleccin como cabe de esperar es problemtica y castiga en tiempo, ya que es un proceso de prueba y error.
4.2.2 Patrones de entrenamiento y Tratamiento de los datos

El conjunto de patrones de entrenamiento (datos) ha de ser representativo del problema para que la red tenga
un funcionamiento correcto.
En cada problema se debe valorar con cuantos datos ser suficiente entrenar la red.
Por ejemplo, en el caso de que se realicen predicciones mensuales no ser suficiente con un ao de datos (12
meses), convendra tener datos de al menos los 7 u 8 ltimos aos.
Ms importante que el nmero de datos necesarios para entrenar la red, es la identificacin de los datos de
entrada. Se deben identificar datos de entrada que de alguna forma estn relacionados con los datos de salida.
El tratamiento de los datos tambin es bsico para que funcione la red. La forma de presentar los datos de
entrada a la red influir en la respuesta de esta.
4.3 Algoritmos de aprendizaje
Existen diferentes algoritmos de aprendizaje que optimizan las conexiones entre las neuronas segn el error que
est cometiendo la red, entendiendo por error la diferencia que existe entre la salida ofrecida por la red y la
salida deseada. Los ms utilizados son los algoritmos por descenso de gradiente que se basan en la minimizacin
49
o maximizacin de una determinada funcin. Lo ms habitual es minimizar alguna funcin montona creciente
del error.
La funcin a minimizar se denomina funcin de coste. Una de las ms usadas es la cuadrtica:
M es el nmero de patrones utilizados para entrenar la red y N el nmero de neuronas de la capa de salida. Esta
funcin supone una distribucin de errores de tipo normal y se da en problemas de modelizacin.
Figura 32: Esquema de Funcionamiento de una RNA
Como se ha mencionado en el prrafo anterior existen diferentes algoritmos de aprendizaje de redes y se usan en
funcin de las necesidades de adaptacin de cada red.
En este proyecto se nombrarn algunos de ellos y se describir brevemente el algoritmo Backpropagation

(propagacin del error hacia atrs) por ser el que se identifica como ms adecuado y til para el objetivo del
Proyecto.
4.3.1 Algoritmo Backpropagation

El algoritmo Backpropagation consiste en el aprendizaje supervisado de un conjunto predefinido de pares de
entradas-salidas dados.
Se aplica un patrn de entrada como estmulo para la primera capa de las neuronas de la red, se va propagando a
travs de todas las capas superiores hasta generar una salida, se compara el resultado en las neuronas de salida
con la salida que se desea obtener y se calcula un valor de error para cada neurona de salida. A continuacin,
estos errores se transmiten hacia atrs, partiendo de la capa de salida hacia todas las neuronas de la capa
intermedia que contribuyan directamente a la salida. Este proceso se repite, capa por capa, hasta que todas las
neuronas de la red hayan recibido un error que describa su aportacin relativa al error total. Basndose en el
valor del error recibido, se reajustan los pesos de conexin de cada neurona, de manera que se minimice la
funcin de coste.
La importancia de este algoritmo consiste en su capacidad de autoadaptar los pesos de las neuronas de las capas
intermedias para aprender la relacin que existe ente un conjunto de patrones de entrada y sus salidas
correspondientes.
Puede dividirse el algoritmo en dos fases:

50
Propagacin hacia delante. Se propagan las seales desde la capa de entrada hasta la salida, determinndose la
salida de la red y el error cometido al comparar sta con el valor de la salida deseada.
Propagacin hacia atrs. En funcin de los errores cometidos en la capa de salida, el algoritmo se encarga de
optimizar los valores de los pesos que determinan las conexiones entre las neuronas mediante la
retropropagacin del error desde la capa de salida a la de entrada a travs de las sucesivas capas ocultas.
Este algoritmo requiere el uso de neuronas cuya funcin de activacin sea continua, y por lo tanto, diferenciable.
Generalmente, la funcin utilizada ser del tipo sigmoidal.
Pasos para aplicar el Algoritmo de Entrenamiento:
Paso 1. Inicializar los pesos de la red con valores pequeos y aleatorios.
Paso 2. Presentar un patrn de entrada y especificar la salida deseada que debe generar la red.
Paso 3. Calcular la salida actual de la red. Para ello se presentan las entradas a la red y se calcula la salida de cada
capa hasta llegar a la capa de salida, sta ser la salida de la red.
Se describe el algoritmo para el caso de una red formada por una capa de entrada, una capa oculta y una de
salida.
Sean las entradas a la red (capa de entrada) y las entradas a las neuronas de la capa oculta;
los pesos que conectan las entradas con la neurona oculta m.
El ndice t indica el nmero de iteracin. Siendo la funcin de activacin. La salida de la neurona viene dada por
la expresin:
El conjunto define las salidas de las neuronas de la capa oculta y adems se corresponde con las entradas a
las neuronas de la capa de salida. Los pesos que conectan las entradas con la neurona p se denotarn por
, siendo r el nmero de neuronas ocultas.
Siendo la funcin de activacin. La salida de la neurona de salida ser:
Denotando como al valor de salida deseado, el error a la salida de la red queda definido por:
51
El proceso iterativo que actualiza los pesos para optimizarlos es el siguiente:
Siendo el peso que desea actualizarse y la constante de adaptacin que mide la velocidad de aprendizaje de la
red.
Los primeros pesos en actualizarse son los de la capa de salida . La derivada parcial de la funcin de coste
respecto a estos pesos puede expresarse teniendo en cuenta la regla de la cadena:
La primera derivada depende de la funcin de coste que se haya escogido. La segunda derivada se deduce de las
ecuaciones anteriores. La tercera derivada depende de la funcin de activacin que se utiliza.
Por ltimo:
La actualizacin iterativa de los pesos de la capa de salida viene dada por:
Siguiendo con la retropropagacin, se actualizan los pesos de las neuronas de la capa oculta:
Realizando las correspondientes derivadas se tiene la actualizacin de los pesos:
En el caso de que la red tenga ms de una capa oculta el proceso es exactamente el mismo, se debe seguir la
retropropagacin atravesando todas las capas hasta llegar a la entrada.
4.3.2 Otros algoritmos de aprendizaje

Simplemente van a nombrarse otros algoritmos, ya que en este proyecto se realizar una prueba con el algoritmo
Backpropagation.
52
Algoritmos de segundo orden: Ayudan a la convergencia del sistema ptimo pero como desventaja tiene una
elevada carga computacional y problemas numricos de redondeo.
Algoritmo Alopex: Su ventaja es la sencillez de implementacin. En la actualizacin de los pesos no se tiene en

cuenta ninguna derivada. Por tanto la funcin de error no ha de ser continua y diferenciable. El mayor
inconveniente de este algoritmo es la determinacin de los parmetros adecuados para el aprendizaje.
Algoritmos Genticos: A diferencia de los anteriores realizan una optimizacin global de la funcin de error. La
desventaja de estos algoritmos es la baja velocidad de convergencia y su alta carga computacional.
4.4 RNA para predecir demoras ATFM
Uno de los objetivos de este proyecto es el estudio de la viabilidad de un modelo que permita predecir la
propagacin de demoras ATFM. Para llegar a l se ha probado la aplicacin de Redes Neuronales para predecir
diferentes variables, utilizando diferentes cdigos de la herramienta de Matlab Neural Net Time Series (RNA
para predecir a lo largo del tiempo).
Se explicar paso a paso el diseo y la aplicacin de las Redes Neuronales para las variables relacionadas con
demoras ATFM y su propagacin de una ruta seleccionada.
No todas las variables se pueden predecir fcilmente. Es necesario estudiar cada posible variable (CTOT, minutos
de demora en llegadas, demanda...) a lo largo del tiempo y observar si tiene alguna tendencia y es til para el
modelo. As mismo es necesario preparar los datos de entrada.
Por ejemplo: Si quisiramos predecir la demanda del mes de diciembre teniendo como datos de entrada la
demanda de los 11 meses restantes; lo primero que debemos hacer es comprobar la tendencia de la grfica de
demanda a lo largo de los 11 primeros meses del ao y observar si hay algn dato en cada da que afecte a la
demanda de ese da.
4.4.1 Ruta de Estudio

Se ha seleccionado una ruta para realizar todas las pruebas, tal y como se ha indicado anteriormente; el estudio
estadstico de la ruta ser en las dos direcciones Madrid-Barcelona (LEMD-LEBL) y Barcelona-Madrid (LEBL-
LEMD) por ser una ruta representativa de alta ocupacin de la red ATM espaola.
Se estudia la tendencia de varias variables a lo largo del ao 2014. Estas variables son:
Nmero de CTOTs diarios y mensuales asignados

Porcentaje y nmero de vuelos segn el tipo de demora ATFM en llegada diaria. El tipo de demora se
detalla en la siguiente tabla. Hay vuelos adelantados, puntuales y con retraso, cubriendo todas las
situaciones
.
53
Tipos de Minutos de
demora adelanto o retraso
Tipo 1 < -45 minutos
Tipo 2 [-45, -15] minutos
Tipo 3 [-14, 15] minutos
Tipo 4 [16, 45] minutos
Tipo 5 > 45 minutos
Tabla 8: Tipos de Demora.
Media de minutos de demora ATFM por vuelo diaria.

Nmero de vuelos diarios (Demanda).
A continuacin se estudia la evolucin de cada variable a lo largo de los 365 das de 2014 para observar su
tendencia y utilidad. Con este estudio tambin es posible identificar los datos de entrada necesarios para el
funcionamiento de las Redes Neuronales.
Ruta LEMD-LEBL
Se exponen las grficas con el estudio de diferentes variables a lo largo del ao 2014.
25 CTOTs diarios ruta LEMD-LEBL

Nmero de vuelos con
20
15
CTOT
10
0
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
261
271
281
291
301
311
321
331
341
351
361
1
Das a lo largo del ao 2014
Figura 33: N vuelos con CTOT a lo largo de 2014 ruta LEMD-LEBL
La figura 34 representa el nmero de vuelos a los que se le ha asignado un CTOT a lo largo de los 365 das de
2014 en la ruta LEMD-LEBL. Se observa que no todos los das se regulan vuelos. Los meses de enero, febrero,
noviembre y diciembre son en los que menos vuelos se regularon.
54
Tipo de demora diaria ruta LEMD-LEBL
1
Porcentaje del Tipo de demora
0,8
Tipo 5
0,6 Tipo 4
0,4 Tipo 3
Tipo 2
0,2
Tipo 1
0

Figura 34: Porcentajes de los Tipos de Demora a lo largo de 2014 ruta LEMD-LEBL
En la tabla 9 fueron definidos los tipos de demora segn los minutos de retraso o adelanto que tuvieran los
vuelos. La figura 35 muestra el porcentaje de vuelos con cada tipo de demora que hubo a lo largo de 2014. Por
ejemplo: de todos los vuelos del da 1 de enero aterrizaron un 86% de vuelos con demora tipo 3 (puntuales), un
7% con demora tipo 2 (adelantados) y otro 7% con demora tipo 4 (con retraso).
50
Nm. Vuelos diarios segn el tipo de demora ruta LEMD-LEBL
45
40
Nmero de vuelos
35 Tipo 5
30 Tipo 4
25
Tipo 3
20
15 Tipo 2
10
Tipo 1
5
0

Figura 35: N de vuelos segn el Tipo de Demora a lo largo de 2014 ruta LEMD-LEBL
De forma similar a la figura 35, la figura 36 muestra el nmero de vuelos con cada tipo de demora en cada da de
2014. As el da 1 de enero de los 14 vuelos que volaron esa ruta, 12 tuvieron demora tipo 3, uno tuvo demora
tipo 2 y otro demora tipo 4.
55
1000 Num. Vuelos segn tipo de demora
900 ruta LEMD-LEBL
800
Numero de vuelos
700
Tipo 5
600
500 Tipo 4
400
Tipo 3
300
200 Tipo 2
100
0 Tipo 1
Figura 36: N de vuelos segn el Tipo de Demora mensualmente ruta LEMD-LEBL.
En la figura 37 se observa el nmero de vuelos que hubo en cada mes del ao 2014 y el tipo de demora que
tuvieron. Los meses con mayor nmero de vuelos demorados fueron julio y agosto.
150
Media min demora/vuelo diaria ruta LEMD-LEBL
Media minutos por vuelo
100
50
0
0 50 100 150 200 250 300 350 400
-50
-100
Figura 37: Media de minutos de demora por vuelo ruta LEMD-LEBL
La figura 38 representa la tendencia de la media de minutos de demora ATFM por vuelo a lo largo de
cada da de 2014. Esta variable se ha calculado sumando todos los minutos de demora o adelanto en llegadas de
los vuelos de cada da y dividindolo entre el total de vuelos de ese da.
56
50
Demanda diaria ruta LEMD-LEBL
45
40
Nmero de vuelos
35
30
25
20
15
10
5
0
0 50 100 150 200 250 300 350
Figura 38: Demanda diaria a lo largo de 2014 ruta LEMD-LEBL
Cmo ltima variable se estudia la tendencia de la demanda a lo largo del ao 2014. La figura 39 muestra el total
de vuelos que ha volado la ruta LEMD-LEBL cada da en 2014.
1000 Demanda ruta LEMD-LEBL

Nmero de vuelos
800
600
400
200
0
0 50 100 150 200 250 300 350 400
Serie de tiempo del ao 2014
Figura 39: Demanda diaria y mensual ruta LEMD-LEBL
La figura 40 muestra tanto la demanda diaria (parte oscura) a lo largo del ao 2014 como la demanda total a lo
largo de cada mes (picos pronunciados de color ms claro).
Se observa que en el mes de junio empieza a caer la demanda llegando a su mnimo en agosto, probablemente
por ser el mes de vacaciones en Espaa. El puente areo Madrid-Barcelona es una ruta utilizada sobre todo para
vuelos de negocios.
Exactamente el mismo estudio detallado se realiza con la direccin LEBL-LEMD. Con resultados muy similares.
Ruta LEBL-LEMD
La explicacin de las figuras es idntica a la direccin LEMD-LEBL, con variaciones en los datos numricos
representados. Slo se detallar la ltima figura por ser una comparativa entre ambas direcciones.
57
25
CTOTs diarios ruta LEBL-LEMD
Nmero de vuelos con CTOT
20
15
10
226
280
334
100
109
118
127
136
145
154
163
172
181
190
199
208
217
235
244
253
262
271
289
298
307
316
325
343
352
361
1
10
19
28
37
46
55
64
73
82
91

Figura 40: N vuelos con CTOT a lo largo de 2014 ruta LEBL-LEMD
Tipo de demora diaria ruta LEBL-LEMD

1
Porcentaje del tipo de demora
0,9
0,8
0,7 Tipo 5
0,6 Tipo 4
0,5
0,4
Tipo 3
0,3 Tipo 2
0,2
Tipo 1
0,1
0
Figura 41: Porcentajes de los Tipos de Demora a lo largo de 2014 ruta LEBL-LEMD
45
Nm. Vuelos diarios segn el tipo de demora ruta LEBL-LEMD
40
Nmero de vuelos
35
Tipo 5
30
25 Tipo 4
20 Tipo 3
15
Tipo 2
10
5 Tipo 1
0
Figura 42: N de vuelos segn el Tipo de Demora a lo largo de 2014 ruta LEBL-LEMD
58
1000 Num. Vuelos mensuales segn tipo de demora
900 ruta LEBL-LEMD
800
Numero de vuelos
700 Tipo 5
600
Tipo 4
500
400 Tipo 3
300 Tipo 2
200
Tipo1
100
0
Figura 43: N de vuelos segn el Tipo de Demora mensualmente ruta LEBL-LEMD
40
Media min demora/vuelo diaria ruta LEBL-LEMD
30
Media minutos por vuelo
20
10
0
0 50 100 150 200 250 300 350 400
-10
-20
-30
-40
-50
Figura 44: Media de minutos de demora por vuelo ruta LEBL-LEMD
Demanda diara ruta LEBL-LEMD

45
40
Nmero de vuelos
35
30
25
20
15
10
5
0
0 50 100 150 200 250 300 350
Figura 45: Demanda diaria a lo largo de 2014 ruta LEBL-LEMD
59
Nmero de vuelos
1000 Demanda ruta LEBL-LEMD
800
600
400
200
0
0 50 100 150 200 250 300 350 400
Serie de tiempo del ao 2014
Figura 46: Demanda diaria y mensual ruta LEBL-LEMD
140
CTOTs Mensuales
Nmero de vuelos con
120
100
80 LEBL-LEMD
CTOT
60 LEMD-LEBL
40
20
0
Figura 47: Comparativa de asignacin de CTOTs LEMD-LBL.vs.LEBL-LEMD
La figura 48 muestra la diferencia de asignacin de CTOTs entre ambas direcciones de la misma ruta. Se observa
claramente como en todos los meses hay mayor nmero de vuelos con CTOTs asignado en la direccin LEMD-
LEBL. Se puede afirmar que en el ao 2014 hubo ms salidas reguladas en el aeropuerto de Madrid que en el de
Barcelona. Este hecho influir a la hora de realizar pruebas en una u otra direccin, siendo de especial interes
LEMD-LEBL en la aplicacin de Redes Bayesianas.
4.4.2 Datos necesarios para el funcionamiento de la RNA

Para realizar una RNA de prediccin es necesario dar formato a los datos de entrada y de salida.
Se proporcionan un conjunto de 365 das de datos (ao 2014); 11 meses de datos (de enero a noviembre) se
utilizarn para entrenar la RNA.
Para validar la prediccin obtenida de la RNA diseada se utilizar el mes de diciembre.
Datos de salida
Los datos de salida sern diferentes segn lo que se vaya a predecir, en el caso de la red que se va a disear
disponemos de todos los datos de salida del ao 2014. Ya que los datos de salida (para la parte de entrenamiento
de la red) deben ser conocidos (aprendizaje supervisado).
En funcin de lo que se ha comentado en el apartado anterior los datos de salida necesarios para el diseo de la
red de la ruta a la que se va a aplicar se representan en la siguiente tabla:
60
Da 01/01/2014 02/01/2014 03/01/2014 04/01/2014 05/01/2014 06/01/2014
N CTOTs diarios 0 0 0 0 0 0
Tipo 1 0 0 0 0 0 0
N vuelos Tipo 2 2 0 0 0 0 1
segn el tipo Tipo 3 13 15 17 8 12 12
de demora Tipo 4 0 2 3 2 2 0
Tipo 5 0 1 0 1 0 0
Meda min/vuelo -3 4 5 13 1 -4
Nm. Vuelos (demanda) 15 18 20 11 14 13
Tabla 9: Datos de salida de las RNAs
Segn la tabla 10 se van a disear varios tipos de RNA para predecir diferentes variables en el mes de diciembre,
obteniendo sus resultados; el nmero de vuelos con CTOT cada da, la media de minutos de demora por vuelo
diaria, la demanda y el nmero de vuelos con cada tipos de demora.
Datos de entrada
As como los datos de salida son triviales porque disponemos directamente de ellos, los datos de entrada son
ms complicados de obtener. Hay que buscar datos de entrada que de alguna forma puedan estar relacionados
con los datos de salida.
Si se quiere predecir el nmero de vuelos con demora de un da (dato de salida), sta demora puede estar
relacionada con el tipo da (si es da laboral o festivo), con la meteorologa de ese da (viento, lluvia,
temperatura...), las condiciones del espacio areo de ese da (configuracin de sectores, cierre de zonas del
espacio areo...) as como las posibles huelgas o eventos especiales.
Segn lo comentado en el prrafo anterior algunos de los posibles datos de entrada de la RNA para predecir
demoras ATFM seran:
El tipo de da: da de la semana y si es festivo o no.

Nmero de vuelos que se prev que vayan a volar ese da.
Previsin de la meteorologa de ese da: vientos, lluvia, temperatura. No se disponen de estos datos pero
sera muy interesante estudiarlo en un futuro.
Condiciones del espacio areo previstas. Tampoco se dispone de este dato.
Huelgas y eventos especiales.
Todas estas variables deben ser comunes y extensibles a todos los datos con los que se quiera entrenar la RNA .
En el caso de la RNA que se va a disear en el siguiente apartado, se dispone como datos de entrada el tipo de da
(da de la semana y si es festivo o no).
Estos datos no se pueden proporcionar a la red de cualquier forma, deben estar codificados en forma numrica.
Por ejemplo: la codificacin numrica para el tipo de da puede ser para los da de la semana del 1 al 7.
61
En la siguiente tabla se muestra cmo se introducen los datos de entrada en la RNA.
Da 01/01/2014 02/01/2014 03/01/2014 04/01/2014 05/01/2014 06/01/2014 07/01/2014 08/01/2014

Miercoles Jueves Viernes Sbado Domingo Lunes Martes Mircoles
Da de la semana
3 4 5 6 7 1 2 3
Festivo Laboral Laboral Festivo Festivo Festivo Laboral Laboral
Sbado/Festivo o Laboral
2 1 1 2 2 2 1 1
Tabla 10: Formato de los datos de entrada a las RNAs
Estos datos de entrada sern comunes para todas las RNA diseadas en funcin de los datos de salida. Del 1 al 7
se han codificado los das de la semana. Como +2 y +1 si es festivo o no.
Se hace hincapi en que 11 meses de datos sern necesarios para entrenar la RNA y las salidas de diciembre
correspondientes a los 31 ltimos das del ao se utilizarn para validar la RNA, comprobar cmo de buena ha
sido la prediccin y por tanto, evaluar la potencial utilizacin de la herramienta.
4.4.2 Diseo de las RNAs y Resultados

Una vez explicado el funcionamiento de una RNA y las caractersticas de la ruta objeto de estudio. En este
apartado se particulariza el diseo y la aplicacin de las redes neuronales para poder predecir las variables
analizadas en la ruta LEBL-LEMD del apartado 4.4.1.
Se han diseado dos RNA para realizar predicciones de diferentes variables del mes de diciembre de 2014:
Prediccin del nmero de vuelos con CTOT.

Prediccin del nmero de vuelos con cada tipo de demora (Esta prediccin se ha realizado para los 5
tipos de demora descritos en la tabla 6 del apartado 4.4.1).
Prediccin de la media de minutos de demora por vuelo.
Prediccin de nmero de vuelos (demanda).
En el apartado 4.2.1 se coment qu es la arquitectura de una RNA, as en este proyecto se han diseado dos
RNA con el mismo nmero de capas pero con diferente nmero de neuronas por capa. Este nmero de neuronas
se ha seleccionado de forma emprica. A ambas redes se las denominar de la siguiente manera:
RNA2C12N: Red con dos capas y 12 neuronas por capa.

RNA2C8N: Red con dos capas y 8 neuronas por capa.
Se han hecho 2 predicciones con cada variable, una con cada red. Se observan predicciones diferentes con cada
RNA aplicada. Ms adelante se comentarn los resultados obtenidos, observando en cada variable qu RNA se
ajusta mejor a los datos reales.
Para poder probar la aplicacin de RNAs a las variables de estudio se ha utilizado parte de un cdigo de la
herramienta de Matlab Neural Net Time Series.
62
Figura 48: Esquema RNA de Matlab
El cdigo utilizado de esta herramienta proporciona, adems de las salidas de la prediccin deseada (en nuestro
caso los datos del mes de diciembre de cada variable), una serie de datos adicionales como por ejemplo el error
de auto-correlacin entre los datos de salida y los datos de la entrada proporcionada o el estado del
entrenamiento de la red.
Figura 49: Otras opciones de Matlab
El anlisis de los resultados ser solamente con las salidas de cada RNA (RNA2C12N y RNA2C8N) y se detallar
tanto el error absoluto como el relativo cometido con cada red comparando el dato real de los das de diciembre
de 2014 con las salidas de cada red.
Los resultados obtenidos se presentan con el mismo formato y la misma organizacin para las predicciones de
todas las variables.
Se explica la exposicin de los resultados detalladamente con las predicciones del nmero de vuelos con CTOT,
siendo idntica para todas las dems variables:
63
RNAs Nmero de vuelos con CTOT ruta LEBL-LEMD
25
Prediccin nmero de CTOTs
20
Nmero de vuelos
Salida Real
15
Salida RNA2C12N
Salida RNA2C8N
10
Figura 50: Prediccin del n de vuelos con CTOT
La figura 51 muestra los 365 das del ao 2014; los 11 primeros meses muestran la etapa de entrenamiento de
cada red comparndolo con los datos reales y la prediccin del mes de diciembre (rodeado con un crculo rojo)
despus del entrenamiento.
El cdigo de colores ser el mismo para todas las figuras de todas las variables; la lnea azul representa los datos
reales del ao 2014, la lnea roja los datos que se obtienen de la RNA2C12N y la lnea verde los que se obtienen
de la RNA2C8N.
En la figura 52 se presenta nicamente la prediccin del mes de diciembre con las salidas de cada red
comparando esas salidas con los datos reales.
3
Prediccin Num. CTOTs (Diciembre)
Nmero de vuelos
0
0 5 10 15 20 25 30 35
Figura 51: Prediccin del n de vuelos con CTOT del mes de diciembre
Los grficos circulares muestran el clculo del error relativo de los 31 datos del mes de diciembre cometido por
cada red:
64
Error Relativo RNA2C12N Error Relativo RNA2C8N
10% 9% 10%
<10% 32% 10-50%
10-50% 51-100%
26% 51-100%
>100% >100%
55% 58%
Figura 52: Grficos circulares de Errores Relativos RNA2C12N y RNA2C8N
Se observa en el grfico circular del error relativo de la RNA2C12N que el 9% (de las 31 predicciones de
diciembre) tiene un error menor del 10%, el 26% de las salidas tienen un error entre el 10 y el 50%, el 55%
tienen un error entre el 51 y el 100% y un 10% de las salidas tienen ms de un 100% de error con respecto a la
salida real de diciembre de 2014.
Ms de un 100% de error relativo significa que si por ejemplo, la salida real son 30 vuelos y la prediccin es de
70 se est cometiendo un error de ms del doble.
Comparando ambos grficos (errores de ambas redes) se ve claramente que la RNA2C12N realiza una prediccin
ms precisa que la que se obtiene de la RNA2C8N. Esto es as en todas las dems variables.
Se presenta una tabla resumen con la media de los errores relativo y absoluto:
RNA 2C12N RNA 2C8N

Media Error Absoluto 1 1
Media Error Relativo 63% 67%
Tabla 11: Media del Error Relativo y Absoluto
Esta tabla se debe observar en combinacin con la figura 52, ya que (en el caso de las predicciones del mes de
diciembre del nmero de vuelos con CTOT) slo hubo un vuelo regulado en todo el mes y las predicciones
muestran que prcticamente la mitad de los das del mes hubo al menos un vuelo regulado.
EL hecho de que haya un nmero tan reducido de regulaciones en 2014 es debido a que fue un ao con demanda
baja.
Del mismo modo que se ha detallado la presentacin de los resultados de la prediccin del nmero de vuelos con
CTOT se presentan los resultados de las predicciones de las dems variables.
65
RNAs Tipos de demora ruta LEBL-LEMD
9 Prediccin demora Tipo 1 Salida Real

8
Salida RNA2C12N
Nmero de vuelos
7
Salida RNA2C8N
6
5
4
3
2
1
0
Figura 53
7
Prediccin demora Tipo 1 (Diciembre)
6
5
Nmero de vuelos
0
0 5 10 15 20 25 30
Figura 54
10% 13% 3%
16%
<10% <10%
10-50% 29% 10-50%
29%
51-100% 51-100%
45% >100% 55% >100%
RNA 2C12N RNA 2C8N

66
12
Prediccin demora Tipo2 Salida Real
10 Salida RNA2C12N
Nmero de vuelos
Salida RNA2C8N
8
Figura 56
7 Prediccin demora Tipo 2 (Diciembre)

6
Nmero de vuelos
0
0 5 10 15 20 25 30
Figura 57
3% 3%
<10% <10%
26%
10-50% 10-50%
52% 51-100% 45% 36%
51-100%
>100%
19% >100%
16%
RNA 2C12N RNA 2C8N

67
Salida Real
40 Prediccin demora Tipo 3 Salida RNA2C12N
35 Salida RNA2C8N
Nmero de vuelos
30
25
20
15
10
5
0
Figura 59
35
30
Nmero de vuelos
25
20
15
10
5
0
0 5 10 15 20 25 30 35

3%
6%
13% 13% <10% 10% <10%
23%
10-50% 10-50%
51-100% 51-100%
71% >100% 61% >100%
Figura 61
RNA 2C12N RNA 2C8N

68
9
Prediccin demora Tipo 4
8
7 Salida Real
Nmero de vuelos
6 Salida RNA2C12N
5 Salida RNA2C8N
4
3
2
1
0
Figura 62
4
Nmero de vuelos
0
0 5 10 15 20 25 30 35
Figura 63
13% 10%
26% <10% <10%
26%
10-50% 10-50%
26% 51-100% 51-100%
35%
>100% >100%
35% 29%
RNA 2C12N RNA 2C8N

69
COMENTAR!!!!
5
Prediccin demora Tipo 5
Salida Real
4 Salida RNA2C12N
Nmero de vuelos
Salida RNA2C8N
3
Figura 65
1
Nmero de vuelos
0
0 5 10 15 20 25 30 35
Figura 66
<10% 29% <10%

52%
48% 10-50% 10-50%
71%
RNA 2C12N RNA 2C8N

70
RNsA Media minutos de demora por vuelo ruta LEBL-LEMD
40
Prediccin Media minutos de demora por vuelo Salida Real
Media minutps por vuelo
30 Salida RNA2C12N
20 Salida RNA2C8N
10
0
-10
-20
-30
-40
-50
Figura 68
Prediccin Media min de demora por vuelo

(Diciembre)
Media minutos de demora
10
5
0
-5 0 5 10 15 20 25 30
-10
-15
-20
-25
-30
Figura 69
7%
19% 13%
<10%
10-50%
10-50%
51-100% 48%
16% 51-100%
65% >100%
32% >100%
RNA 2C12N RNA 2C8N

71
RNAs Nmero de vuelos ruta LEBL-LEMD
45 Salida Real
Prediccin Demanda Salida RNA2C12N
40
Salida RNA2C8N
35
Nmero de vuelos
30
25
20
15
10
5
0
Figura 71
40 Prediccin Demanda (Diciembre)

35
Nmero de vuelos
30
25
20
15
10
5
0
0 10 20 30
Figura 72

3%
6% 6%
7% <10%
<10%
10-50%
45% 10-50%
51-100%
51-100% 36% 55%
>100%
42% >100%
RNA 2C12N RNA 2C8N

En el captulo 6, dedicado exclusivamente a resultados, se comentarn y analizarn con ms detalle las

predicciones de cada variable.
72
Captulo 5. Aplicacin de Redes Bayesianas para la prediccin
de demoras
Del mismo modo que se hizo en el captulo anterior, se aade un breve esquema con la organizacin del captulo:
Fundamentos
Tericos de las Inferencia Aprendizaje Tipos de RBs
RBs
Modelado con Estados y

Variables Estructura Parmetros
RBs valores
RB para
Datos de Red Red
predecir
diseo Bayesiana 1 Bayesiana 2
demoras ATFM
5.1 Fundamentos Tericos de las Redes Bayesianas
En el apartado 2.3.1 se definieron brevemente las Redes de Bayes, en este apartado se profundiza en su
definicin y funcionamiento.
Las Redes Bayesianas (RBs) son los modelos de redes probabilsticas ms populares. Tratan probabilsticamente
la incertidumbre en problemas que involucran un nmero elevado de variables. Son capaces de especificar una
probabilidad conjunta para el problema a partir de relaciones de dependencia entre las variables. Permite
calcular probabilidades marginales de forma eficiente y actualizar stas (probabilidades condicionadas) cuando
se dispone de una nueva evidencia.
Estn definidas por grafos dirigidos acclicos (DAGs) que codifican las relaciones de dependencia entre las
variables que forman la red.
Figura 74: Grafo acclico dirigido
Antes de continuar con los fundamentos tericos se van a definir una serie de conceptos necesarios para
entender cmo funciona una RB:
73
Grafo: conjunto de nodos y arcos que unen esos nodos. As como un conjunto de funciones de
distribucin de probabilidad.
Nodos: tambin se denominan variables, representan eventos del mundo real. En el caso de las
RBs son variables aleatorias. Cada nodo tiene asociada una funcin de distribucin de
probabilidad (FDP), cuya dimensin y definicin depende de las aristas que llegan al nodo.
Arcos (o aristas): representan las relaciones causales entre los nodos. Es dirigida, empezando
en la variable causal y terminando en la variable efecto. La ausencia de arista representa la
independencia condicional entre los nodos.
Padres e hijos: si hay un arco del nodo Z a otro nodo X, a es llamado un padre de X y X es un hijo
de Z. El conjunto de nodos padre de un nodo se denota como .
Independencia de variables: Si X e Y son dos subconjuntos de variables aleatorias, se dice que X
es independiente de Y si y solamente si:
para todos los valores posibles de x e y.
Las Redes Bayesianas representan nuestro conocimiento sobre los elementos en el sistema y las
relaciones que existen entre ellos. Estas relaciones operan propagando conocimiento a travs de la red
una vez se tiene evidencia sobre alguno de los objetos o eventos del sistema. De esta manera, se pueden
"aprender" las probabilidades de todos los elementos de la red a partir del conocimiento de algunos de
ellos y de las relaciones condicionales entre ellos.
Los dos elementos principales de las Redes de Bayes son:
La base del conocimiento, dada en trminos probabilsticos mediante la Probabilidad Conjunta

que cuantifica las relaciones de dependencia existentes entre las variables del
problema. Hallar una factorizacin apropiada de la Probabilidad Conjunta es compleja. El
nmero de parmetros necesario para definir una de, por ejemplo, 20 variables binarias es .
Supone un problema computacional adems de un conjunto de entrenamiento enorme para
estimar los parmetros.
La inferencia, constituida por algoritmos de clculo de probabilidades condicionadas, que
permite obtener conclusiones a partir de la evidencia conocida en un instante.
A continuacin de define el teorema ms importante en el que se basan las Redes Bayesianas y que simplifica el
problema de hallar la Probabilidad Conjunta de la red:
Factorizacin de la probabilidad (Teorema)
Dada una red bayesiana, su distribucin de probabilidad puede expresarse como:
74
Este teorema permite describir una RB a partir del producto de la probabilidad condicionada de cada nodo en
lugar de dar la Probabilidad Conjunta.
Aquellos nodos que no tengan padres se denominarn nodos raz y ser necesario conocer su probabilidad a
priori.
5.1.1Inferencia
Se denomina inferencia a la accin de calcular la probabilidad de cualquier nodo cuando se conocen los valores
que toman otras variables de la red (evidencia).
Este proceso permite cuantificar la incertidumbre de las distintas variables y eventos del problema a medida que
se va teniendo nueva informacin.
La probabilidad condicionada (o marginal) proporciona informacin actualizada cuando se conoce que ha

ocurrido un evento. En general el clculo de estas probabilidades es intratable para problemas con muchas
variables.
La inferencia puede realizarse por:
Propagacin exacta de probabilidades en una red simplemente conectada (aquella en la que slo existe
un camino entre dos variables de la red).
Inferencia aproximada.
5.1.2 Aprendizaje
La fase de aprendizaje de una Red Bayesiana consiste en ajustar sus parmetros de forma que las funciones de
distribucin de probabilidad definidas por la red describan el comportamiento estadstico de los datos
observados.
Para definir una Red Bayesiana es necesario especificar una estructura grfica (un DAG) y una funcin de
probabilidad conjunta definida por el producto de las probabilidades de cada nodo dados sus padres. Tanto la
estructura como las probabilidades pueden ser aprendidas de los datos con algoritmos.
Aprendizaje estructural: se establecen las relaciones de dependencia entre las variables del modelo a partir de
un conjunto de datos, obteniendo el grafo que mejor los represente. Es el ms complejo ya que hay una enorme
cantidad de DAGs distintos para un determinado nmero de variables.
Aprendizaje paramtrico: se calculan los parmetros de acuerdo con la estructura del grafo, el tipo de RB
elegida y la base de datos disponible. Consiste en estimar los parmetros estadsticos necesarios a partir de los
datos.
Se va a describir otro tipo de aprendizaje por ser uno de los que se ajusta a la aplicacin de RB en este proyecto:
75
Aprendizaje de clasificadores: en estos problemas, el conjunto de variables se descompone en una variable
clase discreta C y un conjunto de atributos , el objetivo es hallar el estado de la clase para una
combinacin de atributos dada.
El esquema clasificador ms simple es el clasificador Ingenuo de Bayes (Nave Bayes), en el cual se asume la
hiptesis de que los atributos son condicionalmente independientes entre s.
La Red Bayesiana que representa este modelo probabilstico tiene a la variable clase C como nico padre de
todos los atributos:
Figura 75: Esquema del clasificador de Bayes
Cuya Probabilidad Conjunta es:
5.1.3 Tipos de Redes Bayesianas

Dependiendo de si las variables son discretas o continuas:
Redes de Bayes Multinominales: todas las variables son discretas, cada variable tiene un nmero finito
de estados.
Redes de Bayes Gaussianas: las variables tienen una distribucin normal multivariante.
Redes de Bayes Mixtas: incluyen variables discretas y continuas.
En este proyecto se aplicarn las multinominales porque son las que, por definicin, mejor reflejan el
comportamiento de la Red ATM.
5.2 Modelado con Redes Bayesianas
Principalmente se suelen modelar dos tipos de problema con Redes Bayesianas, problemas de diagnstico o de
prediccin, caso en que se engloba este Proyecto.
76
En primer lugar, es necesario estudiar el escenario para poder tener el mximo conocimiento posible y
compresin sobre el problema que se quiere modelar. En la mayora de los casos reales ser necesario contar
con expertos en el rea.
5.2.1 Variables
El siguiente paso consiste en identificar las variables que son relevantes en el problema. En la aplicacin de las
RBs a este proyecto el problema sern las demoras ATFM en llegadas y la causa posible ser si ha habido
demoras ATFM en salidas.
5.2.2 Estados y valores

Las variables pueden dividirse segn su escala de medicin en:
Variables cualitativas: expresan distintas cualidades o caractersticas. Cada una de esas caractersticas se
denomina atributo y la medicin consiste en la clasificacin de esos atributos. Pueden ser a su vez dicotmicas
cuando slo pueden tomar dos valores posibles como s y no, hombre y mujer, o politmicas, cuando pueden
adquirir tres o ms valores.
Variables cuntitativas: son variables que se expresan mediante cantidades numricas. Pueden ser discretas o
continuas.
Conviene representar los fenmenos continuos usando variables discretas para facilitar el desarrollo. Se deben
discretizar las variables continuas en un conjunto finito de intervalos.
5.2.3 Estructura
Tras identificar las variables, el siguiente paso en la construccin de una Red Bayesiana es definir su estructura.
Se realiza conectando las variables (nodos) con arcos dirigidos. La presencia de un arco indica una relacin de
influencia causal entre dos nodos o un diagnstico, no siempre los arcos tienen que seguir una direccin causal.
La estructura lgica en cada caso es:
Figura 76: Estructuras de Redes Bayesianas
77
5.2.4 Parmetros
Por ltimo se deben especificar los parmetros. Es suficiente con proporcionar las probabilidades a priori de los
nodos raz y las probabilidades condicionales del resto de los nodos.
Hay diferentes alternativas para proporcionar estos parmetros:
Especificacin directa de los parmetros con la ayuda de expertos.

Aprendizaje a partir de bases de datos (detallado en el apartado 5.1.2) en funcin de si la estructura de
la red es conocida o no.
5.3 Red de Bayes para predecir demoras ATFM
Del mismo modo que se hizo en el captulo anterior, se particulariza el diseo y aplicacin de una Red Bayesiana
para calcular las probabilidades de diferentes variables en una ruta.
Como se ha comentado en los apartados anteriores para modelar una Red Bayesiana hay que seguir unos pasos.
Se debe conocer el escenario que se quiere modelar e identificar las variables. El escenario de inters ser el que
englobe las demoras ATFM en la ruta LEMD-LEBL y su propagacin.
Con los datos disponibles se identifican principalmente dos variables:
Demoras ATFM en salidas: como nodo padre. Es una variable cualitativa que tomar solamente dos
valores (s hay demora o no hay demora), se trata tambin de una variable dicotmica.
Demoras ATFM en llegadas: esta variable es cuantitativa y continua. Como se sealo en el apartado
anterior ser necesario discretizarla. Los minutos de demora se agrupar en 5 intervalos (ver tabla ---),
los mismos que se utilizaron en el captulo 4 con Redes Neuronales.
Tipos de Minutos de
demora adelanto o retraso
Tipo 1 < -45 minutos
Tipo 2 [-45, -15] minutos
Tipo 3 [-14, 15] minutos
Tipo 4 [16, 45] minutos
Tipo 5 > 45 minutos
Tabla 19: Tipos de Demora
Esta variable se tendr en cuenta en dos Redes Bayesianas diferentes. En la primera (RB1) ser una
variable politmica, tomar hasta 5 valores diferentes segn el retraso o adelanto que tengan los vuelos
(demora tipo 1, 2, 3, 4 y 5. Ver tabla 20). En l.a segunda (RB2) se dividir en 5 variables diferentes (ver
figura 78).
78
Figura 77: Estructura de la RB1 y la RB2
Otro aspecto fundamental en las Redes de Bayes es la estructura. En el caso de las pruebas que se van a realizar
se supondr la estructura conocida tal y como se observa en la figura 78, en la que se ha tenido en cuenta en
cada caso qu tipo de variable es la Demora ATFM en llegadas. Esta suposicin es lgica ya que refleja la finalidad
del problema.
5.3.1 Datos de diseo

A continuacin, en las tablas 21 y 22, se han calculado las probabilidades que toman las variables en cada Red,
necesarias para realizar los clculos de las probabilidades condicionadas, son los datos de diseo:
N de vuelos con
274 3%
CTOT
N de vuelos sin
8716 97%
CTOT
Tabla 20: Porcentajes del nodo padre
NV demora tipo 1 41 15%

Vuelos con demora NV demora tipo 2 84 30%
ATFM en salidas NV demora tipo 3 134 49%
(CTOT) NV demora tipo 4 13 5%
Vuelos sin demora
ATFM en salidas
Tabla 21: Porcentajes de los nodos hijo
Para construir las Redes se ha utilizado software disponible de Netica. Se explicar el procedimiento seguido con
la construccin de cada red.
79
5.3.2 Red Bayesiana 1 (RB1)
Como se ha indicado, esta red est definida por dos nodos, uno dicotmico y el otro politmico. Se introducen las
probabilidades de las tablas23 y 24 de la siguiente forma:
Tabla 22: Probabilidades nodo padre
Tabla 23: Probabilidades nodos hijo
Con lo que es estado inicial de la red una vez compilada y calculadas las probabilidades condicionadas es:
Figura 78: Estado inicial de la RB1
Se observan en el nodo 2 (Demora_ATFM_Llegadas) de la figura --- las probabilidades de que ocurran los
diferentes tipos de demoras condicionadas al estado del nodo 1(Demora_ATFM_Salidas).
La probabilidad de la Demora Tipo 2 del segundo nodo se calcula como:
=P(DAS Con CTOT)P(Dem. Tipo2|DAS con CTOT)+P(DAS Sin CTOT)P(Dem. Tipo2|DAS Sin CTOT)
Siendo DAS Demora ATFM en Salidas y DAL Demora ATFM en Llegadas. Con los porcentajes en tanto por uno de
las tablas 23 y 24 se calcula la probabilidad numricamente:
La figura 79 muestra el estado inicial de la RB1 diseada. Una vez definido el estado inicial es posible "jugar" con
la red introduciendo diferentes estados en las variables correspondientes a observaciones realizadas.
80
Se pueden realizar pruebas de prediccin y de diagnstico. En las pruebas de prediccin se cambia el estado del
nodo 1 observando qu ocurre en el nodo 2 con los porcentajes. En cambio para realizar pruebas de diagnstico
se introducen diferentes observaciones en el nodo 2, devolviendo la red los porcentajes del nodo 1.
Pruebas de diagnstico (clculo del nodo 1)
Figura 79: Diagnstico Demoras Tipo 1 y Tipo 2.
Figura 80: Diagnstico Demoras Tipo 3 y Tipo 4.
En las figuras 80 y 81 se muestran 4 estados diferentes de la Red Bayesiana. Introduciendo en cada estado un
100% de evidencia de algn tipo de demora, la red calcula el estado inicial de nodo 1. De este modo "diagnostica"
el porcentaje de vuelos regulados y sin regular que hubo en salidas en la ruta de aplicacin.
Por ejemplo, si se observa un 100% de demoras del Tipo 3 el estado inicial obtenido con la RB1 es del 1,77% de
vuelos con CTOT y un 98,2% de vuelos sin regular.
Pruebas de prediccin (clculo del nodo 2)
Con esta Red tambin es posible predecir los porcentajes de cada tipo de Demoras ATFM en Llegadas que se
observarn dadas unas condiciones iniciales del nodo 1:
81
Figura 81: Prediccin de Demoras dado un estado inicial
En la figura 82 se ha predicho el porcentaje de cada tipo de demoras que habra dados dos estados del nodo 1
diferentes. En el primer estado se ha supuesto un 100% de vuelos sin regular y en el segundo un 100% de vuelos
regulados.
En principio, se observa en el nodo de demoras ATFM en llegadas de ambos estados que las regulaciones en
origen influyen notablemente en las Demoras Tipo 1, Tipo 2 y Tipo3. En el primer estado el 84% de los vuelos
llegarn puntuales, mientras que en el segundo estado se reduce a casi la mitad el porcentaje de vuelos puntuales
y se multiplican los vuelos con demoras Tipo 1 y Tipo 2.
Este ltimo anlisis puede parecer ilgico ya que, segn los resultados, demorando todos los vuelos en salida
aumenta el porcentaje de vuelos adelantados. Puede ser debido a que en el ao 2014 apenas hubo regulaciones y
la gran mayora de los vuelos fueron puntuales.
Posiblemente en aos con ms demanda y mayor nmero de vuelos regulados, la situacin sea muy diferente.
Pruebas Aleatorias
Se han realizado dos pruebas completamente aleatorias de ambos nodos (figura 83).
Figura 82: Pruebas Aleatorias
82
Validacin de la RB1
Se han probado diferentes estados de la red pero no se ha comprobado si las predicciones se corresponden con
la realidad. Para realizar la calibracin de la RB1 se utilizar el mes de julio de 2014 por ser uno de los ms
regulados. En estas redes no es posible utilizar el mes de diciembre tal y como se hizo en el captulo de Redes
Neuronales porque en el mes de diciembre apenas hubo vuelos regulados.
A continuacin se obtendrn los porcentajes reales de las diferentes variables en dicho mes y se compararn con
los obtenidos con la primera Red Bayesiana.
Las tablas de probabilidades correspondientes al mes de julio de 2014 son:
N de vuelos con
43 7%
CTOT
N de vuelos sin
559 93%
CTOT
Tabla 24: Porcentajes del nodo padre

Vuelos con demora NV demora tipo 2 19 44%
ATFM en salidas NV demora tipo 3 18 42%
(CTOT) NV demora tipo 4 0 0%
Vuelos sin demora
ATFM en salidas
Tabla 25: Porcentajes de los nodos hijo
Los clculos de los porcentajes de los tipos de demora reales del mes de julio son:
Demora Tipo 1 6,56%

Demora Tipo 2 14,24%
Demora Tipo 3 75,48%
Demora Tipo 4 3,88%
Demora Tipo 5 0%
Tabla 26: Porcentajes reales del mes de julio.
De la RB1, dado el estado inicial del mes de julio, se obtienen los siguientes resultados:
83
Figura 83: Resultados de la RB1 dado el estado inicial del mes de julio.
Como es de esperar, los porcentajes reales no coinciden con los de la Red Bayesiana. Ya que esta red se ha
diseado teniendo en cuenta nicamente una relacin de dependencia causal.
En la tabla 28 se ha calculado el error en porcentaje que se comete en cada tipo de demora
% Real % RB1 %
6,56% 2,91% -56%
14,24% 9,54% -33%
75,48% 81,60% 8%
3,88% 5,00% 29%
0,00% 1,00% 100%
Tabla 27: Error cometido por la RB1
La diferencia de los resultados tambin puede ser debida a que la Red Bayesiana ha sido diseada con los datos
anuales y la validacin se ha realizado con un mes extremo en cuanto a regulaciones. Probablemente si se cogiera
un mes con menos regulaciones los resultados se aproximaran ms a la realidad, al ser julio un mes pico.
5.3.2 Red Bayesiana 2 (RB2)

Esta Red est formada por 6 nodos, todos ellos dicotmicos. Un nodo padre correspondientes a las Demoras
ATFM en salida y 5 nodos hijos correspondientes a cada tipo de demora.
Los datos de diseo son idnticos a los de la RB1.
En la figura 85 se observa el estado inicial de la RB2 una vez compilada con los datos de diseo.
84
Figura 84: Estado inicial de la RB2.
Los porcentajes "S" de los nodos hijos son idnticos a los del nodo 2 de la RB1 (figura 79). La RB2 adems aporta
informacin sobre la no ocurrencia de cada nodo hijo.
La RB2, del mismo modo que se poda hacer con la RB1, permite tanto predecir como diagnosticar asignando
valores al nodo padre o a los nodos hijos respectivamente.
Pruebas de diagnstico
Figura 85: Prueba de diagnstico RB2.
En las pruebas de diagnstico para la aplicacin de esta Red, tal y como est diseada, hay que tener especial
cuidado en hacer que la suma de los porcentajes "S" de los nodos hijo sea el 100% para que sea de utilidad. Ya
que no tiene sentido un caso en el que haya un 100% de demoras de cada tipo (figura 86). En definitiva, aunque
parezcan 5 nodos hijos independientes, no lo son.
Pruebas de prediccin
Consisten en dar un estado diferente del inicial al nodo padre y observar que ocurre en los tipos de demora.
Se han realizado dos pruebas, una con el 100% de los vuelos regulados y otra con el 100% sin regular, dando
idnticos porcentajes "S" que con la RB2.
85
Figura 86: Prueba de Prediccin con el 100% de vuelos regulados.
Figura 87: Prueba de Prediccin con el 100% de vuelos sin regular
Las conclusiones de estos resultados son idnticas a las de la RB1, los resultados parecen no encajar con la
realidad. Es ilgico pensar que con el 100% de vuelos regulados (figura 87) habr ms del triple de vuelos
adelantados y la mitad de puntuales que con el 100% de los vuelos sin regular, mantenindose constante el
porcentaje de vuelos con retraso. Probablemente 2014, por tener menor demanda, fue de los aos con mayor
puntualidad y menor nmero de vuelos regulados. Por lo tanto, no es posible establecer una relacin entre las
demoras ATFM en salidas con las de llegadas, las primeras se absorben en ruta.
Validacin RB2
La validacin de esta red es anloga a la realizada para la RB1, se han utilizado los datos del mes de julio de 2014
(tablas 25,26 y 27), de forma que se obtengan resultados compatibles.
Al introducir en el nodo padre el estado correspondiente a ese mes, se obtienen de la red los mismos porcentajes
"S" que en el nodo de Demoras ATFM en llegadas de la RB1 (figura 89).
86
Figura 88: Resultados RB2 con el estado inicial del mes de julio
La tabla de errores de la RB2 corresponde a la 28, por obtener los mismos porcentajes que la RB1.
5.3.3 Red Bayesiana 3

Adems de las dos Redes Bayesianas descritas hasta ahora, se ha diseado una tercera complementaria a las
anteriores. Esta RB3 est formada por dos nodos politmicos. El nodo 1 toma diferentes valores en funcin de la
demora asociada al tiempo CTOT asignado.
El nodo Demoras ATFM en salidas se ha diseado de dos formas diferentes. En la primera de ellas se han tenido
en cuenta todos los vuelos, regulados y no regulados.
Al ser el 97% vuelos no regulados el anlisis de la influencia del tiempo de CTOT asignado en los tipos de demora
en llegadas apenas puede hacerse.
Se adjuntan las tablas de probabilidades para el primer diseo de esta RB:
N vuelos
D_Tipo1 D_Tipo2 D_Tipo3 D_Tipo4 D_Tipo5 Porcentaje
Totales
CTOT (0,10] 7 16 83 7 0 113 1,3%
CTOT (10,15] 4 7 28 1 1 41 0,5%
CTOT (15,30] 9 37 22 5 1 74 0,8%
CTOT (30,60] 13 24 1 0 0 38 0,4%
CTOT_>60 8 0 0 0 0 8 0%
Sin CTOT 179 726 7292 477 42 8716 97%
Tabla 28: Nmero de Vuelos segn el tiempo CTOT asignado y el Tipo de Demora
En la tabla 29 se ha calculado el nmero de vuelos segn el CTOT asignado en minutos y el tipo de demora en
llegadas. Las dos ltimas columnas corresponden al nmero total de vuelos.
87
% Dem_Tipo1 % Dem_Tipo2 % Dem_Tipo3 % Dem_Tipo4 % Dem_Tipo5
CTOT (0,10] min 6% 14% 74% 6% 0%
CTOT (10,15] min 10% 17% 68% 2,5% 2,5%
CTOT (15,30] min 12% 50% 30% 7% 1%
CTOT (30,60] min 34% 63% 3% 0% 0%
CTOT_>60 100% 0% 0% 0% 0%
Sin CTOT 2% 8% 84% 5% 1%
Tabla 29: Porcentajes segn el tiempo CTOT asignado y el Tipo de Demora
En la figura 90 se observa cmo queda el primer diseo de la RB3.
Figura 89: Estado Inicial del primer diseo de la RB3
El segundo diseo de la tercera Red Bayesiana se ha realizado teniendo nicamente en cuenta el porcentaje de
los diferentes intervalos de CTOT asignados para poder ver cmo influyen en los tipos de demora.
Las tablas de probabilidades calculadas para este diseo son:
N vuelos
D_Tipo1 D_Tipo2 D_Tipo3 D_Tipo4 D_Tipo5 Porcentaje
Totales
CTOT (0,10] 7 16 83 7 0 113 41,2%
CTOT (10,15] 4 7 28 1 1 41 15,0%
CTOT (15,30] 9 37 22 5 1 74 27,0%
CTOT (30,60] 13 24 1 0 0 38 13,9%
CTOT_>60 8 0 0 0 0 8 2,9%
Tabla 30: Nmero de Vuelos segn el tiempo CTOT asignado y el Tipo de Demora
% Dem_Tipo1 % Dem_Tipo2 % Dem_Tipo3 % Dem_Tipo4 % Dem_Tipo5

CTOT (0,10] min 6% 14% 74% 6% 0%
CTOT (10,15] min 10% 17% 68% 2,5% 2,5%
CTOT (15,30] min 12% 50% 30% 7% 1%
CTOT (30,60] min 34% 63% 3% 0% 0%
CTOT_>60 100% 0% 0% 0% 0%
88
Tabla 31: Porcentajes segn el tiempo CTOT asignado y el Tipo de Demora
Introduciendo las probabilidades de la tabla 32 en la RB3 se obtienen los siguientes porcentajes condicionados
del tipo de demora.
Figura 90: Estado Inicial del segundo diseo de la RB3
Haciendo diferentes pruebas con esta ltima red (figuras 92 y 93) se observa que los resultados no parecen
coherentes, ya que cuanta mayor demora en el CTOT asignado ms vuelos adelantados llegan. VALORACIONES
Figura 91: Prueba 1 variando el Porcentaje de la demora de CTOT asignado
89
Figura 92: Prueba 2 variando el Porcentaje de la demora de CTOT asignado
Sera conveniente estudiar estas Redes con datos de otros aos, probarlas en otras rutas y aadir ms variables
que estn relacionadas.
90
Captulo 6. Resultados AADIR TABLA COMPARATIVA
En este captulo se comentarn los resultados obtenidos con ambas redes, RNAs y RBs, en su aplicacin al
objetivo. Al ser dos herramientas matemticas con resultados muy diferentes, se expondrn por separado.
6.1Resultados obtenidos con RNAs
En el captulo 4 se expusieron los resultados de cada variable con diferentes grficos. En este apartado se
profundizar un poco ms.
Se coment en dicho captulo que se iban a realizar predicciones de 4 variables distintas. A continuacin de
analiza el resultado de las predicciones con cada una de ellas:
6.1.1 Prediccin del Nmero de vuelos con CTOT

Antes de realizar las predicciones de las variables se realiz un estudio de los valores que tomaban a lo largo del
ao 2014.
En la figura 41 se observa que el nmero de vuelos con CTOT asignado a lo largo de los 365 das parece seguir
una distribucin aleatoria. Para poder averiguar el por qu unos das hay ms regulaciones que otros habra que
analizar da por da el estado de la red ATM y sera necesario conocer gran cantidad de informacin; huelgas,
eventos especiales, meteorologa o la sectorizacin de la red ATM para cada da. No obstante, este Proyecto se
centra en las demoras ATFM observadas, por lo que el anlisis causal queda fuera de su alcance.
Se recuerda que como datos de entrada para las RNAs slo se dispona de informacin acerca del tipo de da (da
de la semana, laboral o festivo) y que la validacin de las Redes Neuronales se realiz con el mes de diciembre.
3 Prediccin Num. CTOTs (Diciembre)

Nmero de vuelos
Salida Real
2 Salida RNA2C12N
Salida RNA2C8N
0
0 5 10 15 20 25 30 35
Figura 93: Resultado de la Prediccin del mes de diciembre.
La prediccin obtenida de ambas RNAs, RNA2C12 y RNA2C8N, est representada en la figura 94. Como era de
intuir las predicciones del nmero de vuelos con CTOT no son buenas.
En el mes de diciembre de 2014 slo hubo un vuelo regulado el da 19. Segn las predicciones de las RNAs
prcticamente la mitad de los das del mes tuvieron vuelos regulados.
91
Es muy posible que las predicciones fueran ms precisas si se dispusiera de mayor cantidad de informacin del
estado de la red ATM de cada da o al menos, de los sectores y aeropuertos que engloba la ruta estudiada.
En el captulo 4 se han calculado los errores relativos y absolutos que comete cada RNA (figura 53 y tabla ---),
tambin es posible ver en el Anexo 1 las tablas de errores da por da.
10% 9% 10%
<10% 32% 10-50%
10-50% 51-100%
26% 51-100%
>100% >100%
55% 58%
6.1.2 Prediccin del Nmero de vuelos segn el tipo de demora

La idea de realizar este tipo de prediccin es obtener el nmero de vuelos adelantados, puntuales o con retraso
que va a haber cada da.
De este modo, y como se explic en el captulo 4, se han definido para esta prueba 5 tipos de demora
equivalentes a los 5 intervalos en los que se ha divido el tiempo en minutos que resulta de la diferencia ALDT -
ELDT de cada vuelo.
Es decir habr vuelos con demora tipo 1,2....y hasta 5. Que se corresponde, respectivamente, con vuelos muy
adelantados, adelantados, puntuales, con demora o con mucha demora (ver tabla 8).
Del mismo modo que se realiz para la variable "nmero de vuelos con CTOT" del subapartado previo, se realiz
un anlisis de la tendencia del nmero de vuelos segn el tipo de demora a lo largo de cada da de 2014 (figura -).
Para el anlisis de este grupo de resultados debe tenerse en cuenta que en el ao 2014 la demanda era reducida
apenas hubo desequilibrios demanda-capacidad por lo que la gran mayora de los vuelos llegaron puntuales en la
ruta LEBL-LEMD y sin demora ATFM en salidas ni en llegadas.
Los resultados de las predicciones con ambas RNAs fueron los siguientes:
92
7 7
Prediccin demora Tipo 1 (Diciembre) Prediccin demora Tipo 2 (Diciembre)
Nmero de vuelos
6 6
Nmero de vuelos
5 5
4 4
3 3
2 2
1 1
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
35 4
30
Prediccin demora Tipo 3 (Diciembre) Prediccin demora Tipo 4 (Diciembre)
Nmero de vuelos
Nmero de vuelos
25 3
20
2
15
10 1
5
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30 35
1 Prediccin demora Tipo 5 (Diciembre)

Nmero de vuelos
0
0 10 20 30
Figura 95: Resultado de las Prediccines del mes de diciembre.
Se observa en los resultados que las RNAs diseadas no funcionan igual de bien en las predicciones de todos los
tipos de demora.
Las predicciones del nmero de vuelos con demora tipo 1 y tipo 2 (vuelos muy adelantados y adelantados) son
malas, nicamente en el 3% de los das del mes de diciembre los resultados de ambas RNAs se aproximan a la
realidad con un error menor del 10% (ver figura ---- y figura --- del captulo 4). Probablemente para este tipo de
demoras sea necesario disponer de ms informacin de las variables que influyen en esa ruta cada da para
poder incluirla como entrada a las RNAs. Tambin es posible que sea necesario analizar qu influye en los vuelos
que llegan antes de lo previsto y tenerlo en cuanta a la hora de disear las redes.
La prediccin ms precisa es la del nmero de vuelos con demora tipo 5, se puede observar que las 3 curvas
(datos reales, de la RNA2C12N y de la RNA2C8N) son muy parecidas, tanto la RNA2C12N como la RNA2C8N se
ajustan a la curva de los datos reales.
Segn el clculo de errores realizado en el captulo 4 (figura ---) la red que proporciona mejores predicciones de
vuelos con demora tipo 5 es la RNA2C8N con un error relativo en el 23% de los 31 datos obtenidos menor del
10% y en el 61% un error comprendido entre el 10 y el 50%.
93
Parece razonable pensar que el nmero de vuelos puntuales (salida de la RNA) en 2014 est relacionado con el
tipo de da (entrada de la RNA) pero esto no se puede asegurar y probablemente est relacionado con muchas
ms variables y no slo con el tipo de da. Se ha comentado al comienzo del apartado que en el ao 2014 apenas
hubo desequilibrios de demanda-capacidad y la gran mayora de vuelos llegaron puntuales y adems se
comprueba que las tendencias de las curvas de demanda y de nmero de vuelos puntuales a lo largo de 2014 son
muy similares (figuras --- y ---). En general la demanda, como se comprobar en los siguientes apartados, s est
relacionada con el tipo de da y en 2014 coincida prcticamente con el nmero de vuelos puntuales. Debido a
este motivo, es necesario plantearse la obtencin de resultados tan precisos en las predicciones del nmero de
vuelos con demora tipo 5.
Las predicciones realizadas del nmero de vuelos con demora tipo 4 y tipo 5 no son limpias, las curvas de las
RNA no se ajustan bien a la curva de datos reales. A pesar de que en las figuras --- y ---- por el clculo de errores
parecen ser buenas, ocurre algo parecido a lo que ocurra con el nmero de vuelos con CTOT. Al haber un
nmero muy pequeo de vuelos (entre 0 y 1 y no todos los das del mes) con estos tipos de demora habra que
observar detenidamente las causas que hacen que se produzcan estas demoras y tenerlo en cuenta para
proporcionar los datos de entrada adecuados a las RNAs.
En definitiva, los resultados expuestos en este apartado son mejores que los obtenidos en el apartado 6.1.1 pero
sigue siendo insuficiente la informacin proporcionada en la entrada de las RNAs. En todos los casos se obtienen
mejores predicciones con la segunda RNA, la RNA2C8N.
A continuacin se analizan los las predicciones obtenidas para la variable media de minutos de demora ATFM
por vuelo.
6.1.3 Prediccin de la Media de minutos de demora ATFM por vuelo

Antes de exponer los resultados para esta variable, se van a detallar algunas caractersticas que la definen.
La Media de minutos de demora ATFM por vuelo es una variable continua, es decir, puede tomar cualquier valor
a lo largo de un enorme rango de nmeros y adems tiene en cuenta los minutos de retraso o adelanto de todos
los vuelos del da sin importar la cantidad de minutos de uno u otro signo. Es previsible la dificultad de poder
predecir el valor de este tipo de variable.
Prediccin Media min de demora por vuelo

(Diciembre)
Media minutos de demora
10
5
0
-5 0 5 10 15 20 25 30
-10
-15
-20
-25
-30
94
A pesar de que los resultados no son buenos es interesante darse cuenta de que prcticamente las fluctuaciones
de las 3 curvas son entre +10 y -15 minutos. Con lo que se vuelve a comprobar que en el ao 2014 la gran
mayora de los vuelos fueron puntuales y se puede establecer una relacin entre la variable Nmero de vuelos
segn el tipo de demoras y la variable Media de minutos de demora ATFM por vuelo.
Utilizando la RNA2C8N (lnea verde) se ha podido predecir el 7% de los datos del mes de diciembre con un error
menor del 10%.
Esta variable debe estudiarse y valorarse en rutas y aos en los que haya un exceso de vuelos demorados. Se
deben utilizar esos datos para el entrenamiento de las redes y observar los resultados.
6.1.4 Prediccin de la Demanda

De esta variable se han obtenido las mejores predicciones con ambas redes ya que la demanda est muy
relacionada con el tipo de da (dato de entrada de ambas redes).
40 Prediccin Demanda (Diciembre)

35
Nmero de vuelos
30
25
20
15
10
5
0
0 5 10 15 20 25 30
Se ve en la figura --- como las tres curvas se ajustan razonablemente. En el grfico circular del error relativo
correspondiente a la RNA2C8N (FIGURA ---) se ha obtenido el mejor porcentaje de prediccin; el 55% de los
datos que se han predicho tienen un error menor del 10% respecto a los datos reales.
Error Relativo RNA2C8N

3%
6%
<10%
10-50%
51-100%
36% 55%
>100%
Figura 98
95
6.2 Resultados obtenidos con RBs
Los resultados de las RBs son muy diferentes de los obtenidos con las RNAs, se obtienen porcentajes
condicionados de las variables que se quieren predecir.
En el captulo 5 se definieron 3 Redes Bayesianas diferentes y se expusieron los resultados. En este captulo se
comentarn con ms detalle.
La validacin de estas Redes es mucho ms complicada que la que se hizo con las RNAs.
6.2.1 Red Bayesiana 1 y Red Bayesiana 2

Los resultados de estas dos redes son muy similares. Con ambas redes se pueden predecir las probabilidades
condicionadas de cada tipo de demora dado un estado del nodo Demora_ATFM_Salida.
En el captulo 5 se han realizado diferentes pruebas, dando diferentes estados del citado nodo y tambin se han
utilizado las redes de forma inversa, dados los porcentajes del tipo de demora es posible determinar cul fue el
estado del nodo Demora_ATFM_Salida.
En este captulo se expondrn los resultados correspondientes a los meses de julio y octubre. En el captulo 5
nicamente se realiz la validacin de la red con un mes. En este captulo se analizan un poco ms los resultados
utilizando dos meses.
Se ha introducido en ambas redes el estado inicial de estos meses y se han obtenido los resultados de las figura -
-- y ---:
Figura 99
96
Figura 100
Figura 101
Los resultados de ambas redes son idnticos para los dos meses seleccionados.
Poder validar las predicciones de estas redes es complicado. En este proyecto simplemente se han comparado los
resultados de ambos meses con los porcentajes reales de los cinco tipos de demora.
Mes de Octubre Mes de Julio

% Real % RB1 % % Real % RB1 %
2,7% 2,6% -4% 6,56% 2,91% -56%
5,7% 8,4% 49% 14,24% 9,54% -33%
87,3% 83,3% -5% 75,48% 81,60% 8%
4,2% 5,0% 19% 3,88% 5,00% 29%
0,1% 1,0% 89% 0,00% 1,00% 100%
Tabla 32
Se observa en la tabla --- que los resultados son ms precisos en el mes de octubre. Esto puede ser debido a que
el mes de octubre es un mes medio en cuanto a vuelos regulados (slo hay un 2% de vuelos con CTOT) mientras
que el mes de julio es un mes extremo (hay un 7%).
97
La red est diseada con los datos anuales, el estado inicial tena un 3% de vuelos regulados, se aproxima ms al
estado inicial del mes de Octubre que al de julio, ya que este tiene ms del doble de vuelos regulados.
6.2.1 Red Bayesiana 3
98
Conclusiones
Conclusiones de la aplicacin de RNAs para la prediccin de demoras
1. La precisin de las predicciones con RNAs depende fundamentalmente de los datos de entrada. Es
necesario encontrar las variables de entrada que en mayor o menor medida influyen la salida de la red.
Las mejores predicciones se han logrado con la Demanda ya que esta variable est directamente
relacionada con el tipo de da, que era el dato de entrada a las RNAs.
2. Los resultados sern mejores cuanto ms amplia sea la serie temporal para poder entrenar la red.
Por ejemplo, disponiendo de los datos de 2011, 2012 y 2013, adems de 2014, se observara la
tendencia de las variables que se quieren predecir a lo largo del tiempo y se tendran en cuenta como
datos de entrada los meses. Estableciendo as una relacin entre la salida de la red y la estacionalidad, en
el caso de que influyera.
3. Los resultados en la prediccin de variables continuas no son buenos. Es necesario investigar ms este
tipo de variables y hacer ms pruebas.
En el caso de la variable "media de minutos de demora por vuelo" la salida de la red puede tomar
cualquier valor en un rango muy amplio.
4. Para poder predecir el nmero de vuelos con CTOT es necesaria ms informacin, sobre todo de las
causas que llevan a aplicar CTOTs, estudiar el estado de la red ATM cuando son asignados y su
dependencia con otras variables como pudieran ser problemas meteorolgicos, congestin en sectores,
cierre de zonas del espacio areo...
5. Prcticamente ms del 80% de los vuelos en la ruta Madrid-Barcelona fueron puntuales en 2014,
convendra realizar ms pruebas en aos con ms demanda para observar bien todos los tipos de
demoras.
6. Es necesario realizar ms pruebas variando el nmero de capas y el nmero de neuronas de la red,

observando si mejoran o empeoran los resultados. As como aplicar las RNAs a todas las rutas de la red
ATM Espaola.
99
Conclusiones de la aplicacin de RBs para la prediccin de demoras
1. Las predicciones de demoras ATFM en llegadas realizadas con RBs se ajustan mejor cuando se introduce
un estado del nodo padre parecido al de diseo de la red.
2. En todas las RBs diseadas slo se han tenido en cuenta dos variables, las demoras ATFM en salidas y en
llegadas. Se ha hecho la hiptesis de que las demoras ATFM en llegadas dependen de las de salida. Esto
en realidad no es as, las demoras en llegadas estn relacionadas con otras variables que deberan
tenerse en cuenta.
Por ejemplo, el diseo de una RB como la de la figura --- permitira hacer un anlisis mucho ms real de
las demoras y su propagacin.
Figura 102
3. Los resultados obtenidos con las RBs no son lgicos. Se observa en la mayora de ellos (figuras ---,--- y ---
) que al aumentar el porcentaje de vuelos regulados, con demora en salida, aumenta el porcentaje de
vuelos adelantados.
No tiene demasiado sentido que cuanto ms se retrase un vuelo a la salida antes llegue a destino.
4. Son necesarias ms pruebas con mayor nmero de datos. Disear redes diferentes que tengan en cuenta
ms variables.
100
Aplicaciones y Futuros Trabajos
Programar/disear la Red sin apoyo de ninguna herramienta.

Extender la prediccin a todas las rutas disponibles
Ampliar el nmero de datos (serie temporal de ms aos) para obtener una
mejor prediccin y observar la evolucin de las demoras de cada ruta.
Probar diferentes arquitecturas de RNA. Aadir ms capas, cambiar el nmero
de neuronas de cada capa....observar mejora. Requiere mucha experiencia.
Redes de Bayes dinmicas aplicadas a toda la red ATM. Redes de Bayes con variables
continuas.
Redes de Bayes con mas "padres"
cierre de sectores
meteorologa (recursos
insuficientes)
demora ATFM en salidas
Medidas DCB
demora ATFM en
llegadas
101
REFERENCIAS
Bibliografa
[1] W. Vigneau, Flight Delay Propagation Synthesis of study. EUROCONTROL, 2003.

[2] M. Jetzki, The propagation of air transport delays in Europe, 2009.
[3] Costs of Air Transport delay in Europe, 2000.
[4] J. M. Gutirrez Llorente y R. Cano Trueba, Modelizacin y Prediccin con Redes Probabilsticas, 2001.
[5] J. Reguero lvarez, Aplicacin de las redes bayesianas dinmicas a la prediccin de series de datos y a la
deteccin de anomalas, 2001.
[6] M. Rivera Lozano, El papel de las Redes Bayesianas en la toma de decisiones, 2011.
[7] R. Ancell Trueba, Aportaciones de las Redes Bayesianas en Meteorologa. Prediccin Probabilstica de
Precipitacin., 2013.
[8] J. Cerquides y R. Lpez de Mntaras, Tractable Bayesian Learning of Tree Augmented Naive Bayes
Classifiers, 2003.
[9] OACI, Manual de Gestin de Afluencia del Trnsito Areo, 2010.
[10] OACI, DOC. 4444 - Air Traffic Management.
[11] OACI, Principios de Capacidad ATC, 2011.
[12] ICAO, ICAO MANUAL ON COLLABORATIVE AIR TRAFFIC FLOW MANAGEMENT, 2013.
[13] EUROCONTROL, All-Causes Delay to Air Transport in Europe, June 2015.
[14] EUROCONTROL, Annual Network Operations Report, 2011.
[15] EUROCONTROL, Monthly Network Operations Report, November 2014.
REFERENCIAS
REFERENCIAS
Anexo 1: Tablas de Errores RNAs
RNA 2C12N RNA 2C8N RNA 2C12N RNA 2C8N

Err.Rel. Err.Abs. Err.Rel. Err.Abs. Err.Rel. Err.Abs. Err.Rel.
Err.Abs.
Da Nm. Nm. Nm. Da Media Media Media Media
Nm. CTOTs
CTOTs CTOTs CTOTs min min min min
01/12/2014 1 122% 1 126% 01/12/2014 2 190% 13 1019%
02/12/2014 0 14% 0 37% 02/12/2014 1 349% 7 1718%
03/12/2014 1 58% 1 75% 03/12/2014 5 240% 2 75%
04/12/2014 1 85% 1 81% 04/12/2014 1 30% 0 11%
05/12/2014 0 31% 1 67% 05/12/2014 8 73% 3 28%
06/12/2014 0 2% 0 33% 06/12/2014 1 33% 6 203%
07/12/2014 1 63% 1 87% 07/12/2014 11 317% 5 138%
08/12/2014 1 81% 0 47% 08/12/2014 18 96% 10 53%
09/12/2014 2 210% 1 51% 09/12/2014 24 101% 19 81%
10/12/2014 0 8% 1 70% 10/12/2014 7 241% 2 78%
11/12/2014 1 85% 1 81% 11/12/2014 6 2773% 6 3237%
12/12/2014 0 31% 1 67% 12/12/2014 11 79% 6 43%
13/12/2014 0 2% 0 33% 13/12/2014 4 1425% 9 3127%
14/12/2014 1 63% 1 87% 14/12/2014 2 46% 4 82%
15/12/2014 1 92% 1 107% 15/12/2014 2 246% 13 1296%
16/12/2014 0 14% 0 33% 16/12/2014 3 143% 9 387%
17/12/2014 1 58% 1 75% 17/12/2014 5 357% 1 86%
18/12/2014 1 85% 1 81% 18/12/2014 4 424% 5 575%
19/12/2014 1 69% 0 33% 19/12/2014 3 182% 8 470%
20/12/2014 1 72% 1 56% 20/12/2014 2 44% 0 6%
21/12/2014 2 199% 1 78% 21/12/2014 9 219% 4 87%
22/12/2014 1 81% 0 47% 22/12/2014 2 1060% 11 5650%
23/12/2014 0 30% 0 11% 23/12/2014 2 25% 1 9%
24/12/2014 1 58% 1 75% 24/12/2014 4 42% 9 94%
25/12/2014 1 85% 1 81% 25/12/2014 14 223% 13 210%
26/12/2014 0 13% 1 77% 26/12/2014 7 910% 5 680%
27/12/2014 0 10% 2 154% 27/12/2014 9 205% 4 89%
28/12/2014 1 72% 1 80% 28/12/2014 11 80% 3 22%
29/12/2014 1 81% 0 47% 29/12/2014 5 412% 14 1144%
30/12/2014 0 30% 0 11% 30/12/2014 14 236% 13 218%
31/12/2014 1 58% 1 75% 31/12/2014 4 98% 2 54%
Media Error 1 63% 1 67% Media Error 7 352% 7 677%
Anexo1:
Err. Abs. Err. Rel. Err. Abs. Err. Rel. Err. Abs. Err. Rel. Err. Abs. Err. Rel.
Da demora demora demora demora Da demora demora demora demora
Tipo 1 Tipo1 Tipo 1 Tipo 1 Tipo 2 Tipo 2 Tipo 2 Tipo 2
01/12/2014 1 59% 1 78% 01/12/2014 0 10% 0 10%
02/12/2014 0 40% 0 47% 02/12/2014 1 149% 2 176%
03/12/2014 2 152% 1 97% 03/12/2014 3 263% 2 168%
04/12/2014 0 21% 0 7% 04/12/2014 0 1% 0 16%
05/12/2014 2 80% 2 61% 05/12/2014 1 23% 1 22%
06/12/2014 1 78% 1 121% 06/12/2014 2 180% 2 185%
07/12/2014 1 93% 1 95% 07/12/2014 2 225% 2 200%
08/12/2014 2 56% 3 91% 08/12/2014 0 16% 2 77%
09/12/2014 5 88% 6 93% 09/12/2014 2 35% 4 75%
10/12/2014 0 5% 0 15% 10/12/2014 1 105% 2 197%
11/12/2014 0 40% 0 29% 11/12/2014 3 290% 3 276%
12/12/2014 1 68% 1 37% 12/12/2014 4 61% 3 54%
13/12/2014 1 99% 1 125% 13/12/2014 1 143% 2 168%
14/12/2014 0 1% 0 16% 14/12/2014 2 162% 1 148%
15/12/2014 0 38% 0 12% 15/12/2014 3 280% 2 237%
16/12/2014 0 41% 1 100% 16/12/2014 3 64% 2 45%
17/12/2014 0 39% 1 55% 17/12/2014 2 176% 1 97%
18/12/2014 1 63% 1 114% 18/12/2014 3 328% 3 337%
19/12/2014 0 38% 1 72% 19/12/2014 2 179% 2 205%
20/12/2014 1 64% 1 62% 20/12/2014 2 75% 2 58%
21/12/2014 0 1% 1 56% 21/12/2014 2 180% 0 35%
22/12/2014 1 127% 0 39% 22/12/2014 3 306% 1 108%
23/12/2014 1 65% 1 62% 23/12/2014 1 62% 0 25%
24/12/2014 0 47% 0 16% 24/12/2014 0 16% 0 25%
25/12/2014 1 138% 1 130% 25/12/2014 2 197% 3 272%
26/12/2014 1 76% 1 57% 26/12/2014 1 56% 1 32%
27/12/2014 1 79% 1 80% 27/12/2014 0 13% 0 7%
28/12/2014 1 65% 1 56% 28/12/2014 1 29% 1 38%
29/12/2014 2 161% 1 92% 29/12/2014 2 112% 0 21%
30/12/2014 0 38% 0 39% 30/12/2014 1 80% 2 245%
31/12/2014 1 105% 1 66% 31/12/2014 0 12% 0 46%
Anexo1:
Err.Abs. Err. Rel. Err. Abs. Err. Rel. Err. Abs. Err. Rel. Err. Abs. Err. Rel.
Da demora demora demora demora Da demora demora demora demora
Tipo3 Tipo 3 Tipo 3 Tipo 3 Tipo 4 Tipo 4 Tipo 4 Tipo 4
01/12/2014 6 25% 1 3% 01/12/2014 0 40% 1 87%
02/12/2014 2 6% 2 6% 02/12/2014 0 42% 1 83%
03/12/2014 5 17% 4 14% 03/12/2014 0 45% 1 67%
04/12/2014 1 2% 6 20% 04/12/2014 1 113% 1 77%
05/12/2014 0 0% 5 18% 05/12/2014 1 77% 0 32%
06/12/2014 2 14% 3 21% 06/12/2014 0 2% 0 -5%
07/12/2014 4 27% 2 12% 07/12/2014 1 58% 0 39%
08/12/2014 3 19% 1 6% 08/12/2014 1 107% 0 8%
09/12/2014 14 89% 14 89% 09/12/2014 0 42% 2 181%
10/12/2014 12 47% 8 32% 10/12/2014 0 14% 0 6%
11/12/2014 5 18% 12 45% 11/12/2014 1 86% 0 10%
12/12/2014 5 23% 5 23% 12/12/2014 1 127% 0 9%
13/12/2014 2 16% 2 16% 13/12/2014 0 -4% 0 -5%
14/12/2014 6 37% 2 14% 14/12/2014 0 24% 0 9%
15/12/2014 3 13% 0 1% 15/12/2014 1 72% 0 29%
16/12/2014 3 13% 0 0% 16/12/2014 0 1% 0 23%
17/12/2014 3 11% 2 7% 17/12/2014 1 112% 1 126%
18/12/2014 5 16% 5 16% 18/12/2014 1 76% 0 35%
19/12/2014 19 635% 16 547% 19/12/2014 1 133% 1 84%
20/12/2014 5 46% 4 37% 20/12/2014 0 -3% 0 43%
21/12/2014 1 7% 6 53% 21/12/2014 1 66% 0 1%
22/12/2014 7 37% 2 10% 22/12/2014 0 20% 1 103%
23/12/2014 4 22% 2 15% 23/12/2014 1 88% 1 75%
24/12/2014 3 22% 2 13% 24/12/2014 1 74% 1 88%
25/12/2014 2 16% 3 33% 25/12/2014 0 39% 0 -6%
26/12/2014 15 99% 3 20% 26/12/2014 1 101% 1 96%
27/12/2014 9 81% 16 147% 27/12/2014 1 103% 1 96%
28/12/2014 5 54% 5 48% 28/12/2014 1 53% 0 48%
29/12/2014 2 16% 8 52% 29/12/2014 2 178% 0 41%
30/12/2014 3 21% 1 7% 30/12/2014 1 50% 1 73%
31/12/2014 3 26% 6 48% 31/12/2014 2 64% 2 72%
Anexo1:
Err. Abs. Err. Rel. Err. Abs. Err.Rel. Error Abs. Error Rel. Err.Abs.De Error Rel.
Da
Da demora Tipo demora demora demora Demanda Demanda manda Demanda
5 Tipo 5 Tipo 5 Tipo 5 01/12/2014 4 17% 2 7%
01/12/2014 0 0% 0 30% 02/12/2014 1 3% 0 1%
02/12/2014 0 2% 0 17% 03/12/2014 1 4% 0 0%
03/12/2014 0 9% 0 11% 04/12/2014 6 17% 5 16%
04/12/2014 0 33% 0 15% 05/12/2014 5 14% 5 15%
05/12/2014 0 23% 0 3% 06/12/2014 0 2% 1 9%
06/12/2014 0 1% 0 13% 07/12/2014 6 43% 6 48%
07/12/2014 0 12% 0 5% 08/12/2014 1 6% 3 14%
08/12/2014 0 8% 0 36% 09/12/2014 5 18% 7 27%
09/12/2014 0 2% 0 39% 10/12/2014 1 5% 9 33%
10/12/2014 0 25% 0 2% 11/12/2014 1 4% 1 4%
11/12/2014 0 22% 0 7% 12/12/2014 3 12% 3 12%
12/12/2014 0 39% 0 8% 13/12/2014 0 3% 1 6%
13/12/2014 0 0% 0 11% 14/12/2014 1 5% 1 8%
14/12/2014 0 5% 0 7% 15/12/2014 3 12% 1 4%
15/12/2014 0 7% 0 24% 16/12/2014 1 5% 1 3%
16/12/2014 0 28% 0 18% 17/12/2014 2 8% 1 5%
17/12/2014 0 22% 0 34% 18/12/2014 0 0% 1 2%
18/12/2014 0 23% 0 3% 19/12/2014 23 767% 24 798%
19/12/2014 0 44% 0 20% 20/12/2014 2 11% 0 2%
20/12/2014 0 8% 0 11% 21/12/2014 26 174% 10 70%
21/12/2014 0 7% 0 35% 22/12/2014 2 11% 5 26%
22/12/2014 0 10% 0 35% 23/12/2014 0 0% 0 0%
23/12/2014 0 8% 0 23% 24/12/2014 4 23% 1 5%
24/12/2014 0 0% 0 6% 25/12/2014 8 85% 7 69%
25/12/2014 0 6% 0 13% 26/12/2014 16 92% 7 40%
26/12/2014 0 24% 0 27% 27/12/2014 1 5% 1 5%
27/12/2014 0 4% 0 29% 28/12/2014 2 12% 2 16%
28/12/2014 0 13% 0 9% 29/12/2014 3 18% 6 34%
29/12/2014 0 12% 0 19% 30/12/2014 1 6% 1 6%
30/12/2014 0 8% 0 17% 31/12/2014 4 24% 1 3%
31/12/2014 0 28% 0 22% Media Error 4 45% 4 42%
Media Error 0 14% 0 18%
Anexo1:

Modelo de Propagación de Demoras Atfm A Través de La Red Atm Española

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modelo de Propagación de Demoras Atfm A Través de La Red Atm Española

Hochgeladen von

Copyright:

Verfügbare Formate

ESCUELA TCNICA SUPERIOR DE

UNIVERSIDAD POLITCNICA DE MADRID

Proyecto Fin de Carrera

Lara Fernndez Snchez

UNIVERSIDAD POLITCNICA DE MADRID

Ttulo: MODELO DE PROPAGACIN DE DEMORAS ATFM A TRAVS

Autora: Lara Fernndez Snchez

Bajo la supervisin de:

Jos Manuel Cordero Garca (Crida A.I.E)

Madrid, Octubre 2015

Tabla de Contenidos ........................................................................................................................................................................................ii

Listado de Figuras .......................................................................................................................................................................................... iv

Listado de Tablas ........................................................................................................................................................................................... vii

Acrnimos y Terminologa ...........................................................................................................................................................................9

Captulo 2. Estado del Arte ........................................................................................................................................................................ 15

2.2 Demoras ATFM ................................................................................................................................................................................... 16

2.3 Modelado de Redes ............................................................................................................................................................................ 20

Captulo 3. Estudio a travs del anlisis de la Red ATM Espaola ........................................................................................... 23

3.1 Aclaraciones Previas......................................................................................................................................................................... 23

3.2 Nodos y las conexiones entre ellos .............................................................................................................................................. 24

3.3 Datos y Fuentes de datos................................................................................................................................................................. 26

3.4 Estudio de la Red ATM Espaola ................................................................................................................................................. 28

3.5 Nociones Tericas de Estadstica ................................................................................................................................................ 44

4.1 Fundamentos Tericos de las RNAs ............................................................................................................................................ 46

4.2 Modelo Neuronal................................................................................................................................................................................ 48

4.3 Algoritmos de aprendizaje ............................................................................................................................................................. 49

4.4 RNA para predecir demoras ATFM ............................................................................................................................................. 53

Captulo 5. Aplicacin de Redes Bayesianas para la prediccin de demoras ...................................................................... 73

5.1 Fundamentos Tericos de las RBs ............................................................................................................................................... 73

5.2 Modelado con Redes Bayesianas.................................................................................................................................................. 76

5.3 Red de Bayes para predecir demoras ATFM ........................................................................................................................... 78

Captulo 6. Resultados ................................................................................................................................................................................. 91

6.2 Resultados obtenidos con RBs ....................................................................................................................................................... 96

Aplicaciones y Futuros Trabajos .......................................................................................................................................................... 101

Bibliografa .......................................................................................................................................................................................................... 102

Anexo 1: Tablas de Errores RNAs .................................................................................................................................................. 104

Figura 1: Ciclo de vida del Proyecto. ........................................................................................................................................................... 10

Tabla 1: Regiones mundiales y su correspondiente letra del abecedario. ................................................................................. 24

ADEP Aerodrome of Departure (Aerdromo de origen)

ADES Aerodrome of Destination (Aerdromo de destino)

ATFM Air Traffic Flow Management

ALDT Actual Landing Time (Tiempo Real de Aterrizaje)

ANSP Air Navigation Services Provider (Proveedor de Servicios de

ATOT Actual Take Off Time

ELDT Estimated Landing Time

ETOT Estimated Take Off Time

KPI Key Performance Indicator

DCB Demand and Capacity Balance

CTOT Calculated Take Off Time

PRU Performance Review Unit

EOBT Estimated Out Block Time

RNA Redes Neuronales Artificiales

FDP Funcin de Densidad de Probabilidad

CFMU Central Flow Management Unit

OACI Organizacin de Aviacin Civil Internacional

PRR Performance Review Report

Hay diferentes fases para el desarrollo de un trabajo de esta envergadura:

Figura 1: Ciclo de vida del Proyecto.

Un sntoma de que el funcionamiento del sistema de Transporte Areo no es ptimo se ve reflejado en la

Figura 2: Red de Aerovas Mundial.

PONER REFERENCIAS, CITAS, NOMBRES, PROYECTOS

Beneficia a todos los usuarios del Sistema de Transporte Areo.

mbito Geogrfico y Temporal