| Resumo : |
Para atender a demanda de transporte aéreo, um complexo sistema de gerenciamento de tráfego aéreo precisa ser operado diariamente, de forma a garantir que companhias aéreas e demais operadores de aeronaves possam executar seus voos de forma segura e ordenada. O volume e a complexidade das operações aéreas, bem como a vulnerabilidade desse sistema a perturbações causadas por fatores exógenos, como meteorologia, frequentemente resultam em desequilíbrios entre demanda e capacidade. Em consequência, medidas de gerenciamento de fluxo de tráfego aéreo (Air Traffic Flow Management} - ATFM) são comumente tomadas para ajustar os fluxos de tráfego e mitigar impactos como atrasos e cancelamentos. Este trabalho de graduação tem por objetivo realizar uma análise histórica das medidas ATFM aplicadas no espaço aéreo brasileiro e desenvolver um modelo preditivo que possa apoiar a tomada de decisão dos gerentes de tráfego e prover aos usuários do espaço aéreo uma maior previsibilidade sobre o impacto de restrições operacionais em seus voos. Os resultados da análise de dados históricos revelam que há um uso predominante da medida Miles-In-Trail (MIT) para o gerenciamento do fluxo no espaço aéreo brasileiro e que a Área Terminal São Paulo (TMA-SP) é o volume de espaço aéreo mais afetado por essas medidas. Dois métodos de aprendizado de máquina supervisionado, Random Forests e Support Vector Machines, são então utilizados para o desenvolvimento de um modelo preditivo da ocorrência e da severidade de medidas MIT na TMA-SP. Os resultados mostram um desempenho preditivo superior para o modelo gerado pelo método Random Forests, que apresenta uma acurácia de 82\%. Ao analisar a importância das variáveis utilizadas para a previsão, torna-se evidente a influência dos fatores relacionados à demanda de voos, como origem do fluxo e hora do dia, e às condições meteorológicas. |