Durante la fase t\u00e1ctica del proceso de gesti\u00f3n de afluencia del tr\u00e1fico a\u00e9reo (ATFCM, por las siglas en ingl\u00e9s de Air Traffic Flow and Capacity Management<\/em>), cuando se espera que la capacidad de un sector del espacio a\u00e9reo o en el aeropuerto de destino sea excedida por la demanda, los vuelos se retrasan en el aeropuerto de origen y se les asigna una nueva hora de despegue a trav\u00e9s de slots ATFM. Esto da como resultado el llamado retraso ATFM, que supone un coste significativo para las aerol\u00edneas, los pasajeros y el sistema de gesti\u00f3n de tr\u00e1fico a\u00e9reo (ATM, por las siglas en ingl\u00e9s de Air Traffic Management<\/em>) en su conjunto. La pol\u00edtica que se utiliza hoy en d\u00eda para asignar esos slots ATFM es el principio \u201cFirst Planned First Served<\/em>\u201d (FPFS). El sistema FPFS minimiza el retraso total, pero debido a que el coste del retraso es altamente no lineal y var\u00eda de un vuelo a otro, puede que no sea la soluci\u00f3n \u00f3ptima desde el punto de vista de los costes de las aerol\u00edneas. La posibilidad de reorganizar las secuencias de vuelos ante situaciones de desequilibrio entre demanda y capacidad ofrece un potencial notable para reducir el impacto del retraso ATFM. Para hacer realidad este potencial, SESAR desarroll\u00f3 el concepto de User Driven Prioritisation Process<\/em> (UDPP). Los primeros desarrollos de esta iniciativa introdujeron una serie de mecanismos que brindan a las aerol\u00edneas mayores niveles de flexibilidad para priorizar sus vuelos y distribuir las demoras de acuerdo con su impacto en las operaciones y los costes de la aerol\u00ednea. Sin embargo, el nivel de flexibilidad proporcionado por estos conceptos b\u00e1sicos es a\u00fan relativamente bajo. En la literatura se proponen otros instrumentos de priorizaci\u00f3n de vuelos m\u00e1s flexibles, incluidos mecanismos de mercado, pero su implementaci\u00f3n se ve obstaculizada por las dificultades para dise\u00f1ar, probar y validar dichos instrumentos. Los enfoques cl\u00e1sicos de modelizaci\u00f3n, como la teor\u00eda de juegos y la programaci\u00f3n lineal, se han utilizado para este prop\u00f3sito, pero la rigidez de las hip\u00f3tesis subyacentes a estos enfoques, como la racionalidad de los agentes y el acceso a informaci\u00f3n perfecta, hacen que estos modelos no sean realistas en ciertas circunstancias, lo que puede conducir a pasar por alto las posibles consecuencias no deseadas de ciertos mecanismos cuando el comportamiento de los distintos actores involucrados en el proceso se aparta de estas hip\u00f3tesis.<\/p>\n\n\n\n El proyecto \u201cExploring Future UDPP Concepts through Computational Behavioural Economics<\/em>\u201d tuvo como objetivo desarrollar nuevos enfoques de modelizaci\u00f3n para permitir un estudio riguroso y completo de mecanismos UDPP avanzados y altamente flexibles. Con este fin, se adoptaron los paradigmas de la econom\u00eda del comportamiento (behavioural economics<\/em>) y la econom\u00eda computacional basada en agentes (ACE, agent-based computational economics<\/em>), como una metodolog\u00eda particularmente adecuada para la representaci\u00f3n de caracter\u00edsticas que no son capturadas correctamente por los enfoques cl\u00e1sicos, como la racionalidad limitada, el comportamiento evolutivo y la informaci\u00f3n asim\u00e9trica, imperfecta e incierta.<\/p>\n\n\n\n Los objetivos espec\u00edficos del proyecto fueron los siguientes:<\/p>\n\n\n\n El proyecto desarroll\u00f3 un modelo basado en agentes que simula un d\u00eda de operaciones, donde el Network Manager se encarga de la gesti\u00f3n del flujo y las aerol\u00edneas toman decisiones sobre c\u00f3mo afrontar los retrasos impuestos en situaciones de congesti\u00f3n. Las caracter\u00edsticas principales del modelo se resumen en el entregable D3.1 \u201cModelo de simulaci\u00f3n basado en agentes para el an\u00e1lisis de mecanismos de asignaci\u00f3n de trayectorias y ranuras t\u00e1cticas<\/a><\/em>\u201d.<\/strong><\/p>\n\n\n\n El conjunto de escenarios elegidos para las simulaciones fue el resultado de la combinaci\u00f3n de diferentes variables de configuraci\u00f3n incluidas las normas de tr\u00e1fico a\u00e9reo y de comportamiento. Del an\u00e1lisis de los resultados del experimento, se puede ver c\u00f3mo los diferentes mecanismos de priorizaci\u00f3n de vuelos impactan los KPI seleccionados. Se puede encontrar m\u00e1s informaci\u00f3n en D4.1 \u201cResultados de los experimentos de simulaci\u00f3n: an\u00e1lisis comparativo de diferentes mecanismos de asignaci\u00f3n t\u00e1ctica de trayectorias y slots ATFM<\/a><\/em>\u201d.<\/strong><\/p>\n\n\n\n El proyecto permiti\u00f3 extraer varias conclusiones. En algunos escenarios se identificaron fen\u00f3menos emergentes y contraintuitivos que de otro modo se habr\u00edan ignorado, revelando el valor a\u00f1adido de la modelizaci\u00f3n basada en agentes. Los resultados se vieron notablemente afectados por los efectos de red, lo que subraya la relevancia de estos efectos a la hora de evaluar los mecanismos de priorizaci\u00f3n. Por otro lado, los resultados mostraron un alto grado de sensibilidad a algunas de las hip\u00f3tesis de la modelizaci\u00f3n, como la posibilidad de modificar las trayectorias (reroutings<\/em>), las hip\u00f3tesis sobre el comportamiento de las aerol\u00edneas, o la implementaci\u00f3n del algoritmo CASA<\/a> de asignaci\u00f3n de slots. Estos aspectos se investigaron m\u00e1s en profundidad en el proyecto BEACON<\/a>.<\/p>\n\n\n\nEl proyecto<\/h2>\n\n\n\n
Objetivos<\/h2>\n\n\n\n
\n
Resultados<\/h2>\n\n\n\n
Entregables<\/h2>\n\n\n\n
\n
Art\u00edculos cient\u00edficos<\/h2>\n\n\n\n