Utilización de algoritmos de redes neuronales artificiales en el pronóstico de la demanda de pasajeros aéreos

• Juan Gerardo Muros Anguita ^[1] ; Oscar Díaz Olariaga ^[2]
  1. [1] Universidad de Granada

     Universidad de Granada

     Granada, España

     
  2. [2] Universidad Santo Tomás Colombia
• Localización: Desarrollo e Innovación en Ingeniería / Edgar Serna M. (ed. lit.), 2021, ISBN 9789585327856, págs. 277-294
• Idioma: español
• Enlaces
  • Texto Completo Libro (pdf)
• Resumen

  • La planificación aeroportuaria, ya sea de un único aeropuerto, de un sistema o de una red de varios aeropuertos, depende en gran medida de los niveles de actividad que se prevén para el futuro. Para planificar las instalaciones e infraestructuras de un sistema aeroportuario y satisfacer las necesidades futuras, es esencial predecir el nivel y la distribución de la demanda. En el presente trabajo se realiza un pronóstico, a corto y medio plazo, de la demanda de pasajeros aéreos, aplicado al caso de estudio concreto Colombia, donde se tuvo en cuenta el impacto en el tráfico aéreo del periodo pandémico debido al Covid-19. Para realizar el pronóstico se desarrolló un algoritmo que implementa técnicas basadas en Artificial Neural Network ANN y Machine Learning ML. En particular, para el análisis de las series temporales disponibles se aplican técnicas de redes codificadoras-decodificadoras del tipo ConvLSTM2D. Estas arquitecturas son un híbrido entre las redes neuronales convolucionales CNN, muy útiles para la extracción de patrones invariantes en su posición espacial, y las redes neuronales recurrentes RNN, apropiadas para la extracción de patrones dentro de su contexto temporal. De entre los resultados más relevantes se puede mencionar que la recuperación de la demanda (volumen y tendencia) a época pre-pandémica, en el caso de estudio, se prevé para el periodo comprendido entre finales de 2022 y principios de 2024 (según el tipo de tráfico). Finalmente, la aplicación de modelo basado en ANN/ML presenta valores Mean Absolute Percentage Error MAPE del orden del 3% al 9% (según el escenario), lo que posibilita predicciones de relativa precisión e introduce un nuevo modelo alternativo para desarrollar pronósticos confiables de tráfico aéreo, al menos a corto y medio plazo.