Predicción interpretable del tiempo de taxi de vuelos de salida usando ensamblado por apilamiento y análisis SHAP

Por qué importa el tiempo en pista

Cualquiera que se haya quedado sentado en un avión esperando despegar sabe lo frustrantes que son esos minutos extra en tierra. Más allá de la molestia, las largas esperas antes del despegue consumen combustible, emiten más dióxido de carbono y provocan efectos en cascada en el programa de vuelos del resto del día. Este estudio analiza cómo predecir ese tiempo de "taxi-out" con mayor precisión y, algo igualmente importante, de una forma que el personal aeroportuario pueda entender y confiar cuando toma decisiones en tiempo real.

Qué ocurre entre salir de la puerta y el despegue

El tiempo de taxi-out es el tramo entre cuando una aeronave se empuja desde la puerta y cuando finalmente despega. Depende de dos componentes amplios: cómo está construido el aeropuerto y cuán ocupado está en ese momento. Los autores separan el tiempo de taxi-out en una porción "sin impedimentos"—la velocidad más rápida a la que la aeronave podría desplazarse razonablemente por la plataforma sin congestión—y una porción "dinámica" que captura el retraso adicional causado por colas y conflictos con otras aeronaves. Esta división les permite plantear una pregunta simple: ¿qué factores están ligados al diseño del aeropuerto en sí y cuáles están ligados a la congestión en pistas y calles de rodaje?

Convertir las operaciones aeroportuarias en datos

El equipo utilizó registros detallados del Aeropuerto Internacional de Shenzhen Bao’an en China, que abarcan 14 días de alta actividad y más de 12.000 vuelos. Del sistema de apoyo a la decisión del aeropuerto extrajeron los tiempos de salida de puerta, aterrizaje, pushback y despegue, y luego limpiaron los datos para eliminar valores anómalos. Convirtieron la compleja coreografía en superficie de los aviones en un conjunto de características numéricas: cuántos aviones estaban despegando o aterrizando durante el taxi de una aeronave dada, cuánto tiempo habían estado tardando los vuelos de media en la última media hora, qué distancia tenía que recorrer la aeronave desde su plataforma hasta la pista, y cómo solían comportarse las plataformas, aerolíneas y tipos de avión según patrones históricos. En conjunto, estos factores describen tanto la disposición fija del campo de vuelo como la imagen de tráfico en constante cambio.

Un enfoque de aprendizaje por capas para la predicción

En lugar de confiar en un único método de predicción, el estudio usa una técnica llamada stacking, que combina varios modelos de aprendizaje automático como capas de un pastel. Cada modelo base hace su propia estimación del tiempo de taxi-out; un modelo final "meta" aprende luego cómo combinar mejor esas estimaciones. Este enfoque por capas, entrenado y probado con validación cruzada rigurosa, alcanzó una precisión de vanguardia: alrededor del 41 por ciento de los vuelos se predijeron con un error dentro de un minuto y más del 96 por ciento dentro de cinco minutos. Los autores también compararon la predicción directa del tiempo total de taxi-out con un enfoque en fases que predice por separado el tiempo sin impedimentos y el retraso extra. El método todo-en-uno fue algo más preciso, pero el enfoque en dos fases aclaró mejor cómo distintos factores influyen en diferentes partes del taxi.

Abrir la caja negra con explicaciones claras

La alta precisión por sí sola no basta cuando están en juego decisiones de seguridad y capacidad; los controladores necesitan saber por qué un modelo hace una predicción determinada. Para abordar esto, los autores aplican una herramienta llamada SHAP, que asigna a cada factor de entrada una contribución a la predicción del tiempo de taxi-out para un vuelo específico. Esto revela que los factores relacionados con la congestión—cuántos aviones hay en las colas de salida y llegada, y cuánto han tardado los taxis recientes—dominan la porción de retraso adicional. En contraste, las características relacionadas con la infraestructura, como la ubicación de la plataforma, los hábitos de las aerolíneas y la distancia de taxi, conforman principalmente el tiempo base sin impedimentos. Al combinar comprobaciones de correlación con las puntuaciones SHAP, el equipo también elimina entradas menos útiles, manteniendo el modelo más simple sin sacrificar rendimiento.

Qué significa esto para los pasajeros y el planeta

Dicho claramente, el estudio demuestra que podemos pronosticar con alta precisión cuánto tiempo pasará un avión entre el pushback y el despegue, y que podemos explicar esas predicciones de una manera coherente con el funcionamiento real de los aeropuertos. El modelo no solo predice cuándo es probable que un vuelo despegue; también señala qué factores—como una cola de llegadas en crecimiento o una oleada de pushbacks simultáneos—están provocando retrasos adicionales. Ese conocimiento ofrece a los aeropuertos una manera práctica de ajustar los tiempos de pushback, gestionar colas y reducir el consumo de combustible en ralentí. Para los viajeros, eso podría significar menos esperas inexplicables en pista; para aerolíneas y aeropuertos, supone un camino hacia operaciones más fluidas y menores emisiones.

Cita: Wu, T., Mao, Y., Huang, J. et al. Interpretable Taxi-Out Time Prediction of Departure Flights Using Stacking Ensemble Learning and SHAP Analysis. Sci Rep 16, 10066 (2026). https://doi.org/10.1038/s41598-026-40898-5

Palabras clave: predicción del tiempo de taxi, operaciones en superficie del aeropuerto, aprendizaje automático en aviación, gestión de retrasos de vuelos, congestión del tráfico aéreo