Un marco computacional inteligente que combina redes neuronales con FUCA difusa pitagórica compleja para la evaluación de la capacidad del espacio aéreo y la previsión del tráfico

Por qué importan unos cielos más inteligentes

Cualquiera que haya sufrido una larga demora en un vuelo sabe lo frágil que puede ser nuestro sistema de transporte aéreo. Tras cada despegue y aterrizaje hay un acto continuo de equilibrio: cuántos aviones puede sostener el cielo con seguridad, cómo las tormentas y la congestión se propagan por la red, y cómo controladores y planificadores gestionan prioridades en conflicto. Este artículo presenta una nueva forma de apoyar esas decisiones mezclando inteligencia artificial con un método sofisticado para combinar el juicio experto, con el objetivo de mantener los viajes aéreos más seguros, fluidos y previsibles incluso cuando las condiciones son inciertas.

Entender un cielo congestionado y cambiante

El tráfico aéreo moderno se ha vuelto tan denso y complejo que las herramientas tradicionales de planificación —basadas en reglas fijas o promedios sencillos— tienen dificultades para seguir el ritmo. La capacidad del espacio aéreo es, en esencia, el número máximo de aeronaves que pueden desplazarse con seguridad por una región bajo condiciones cambiantes, desde pistas muy ocupadas hasta controladores sobrecargados o equipos de navegación frágiles. La previsión del tráfico intenta anticipar cuándo y dónde se agruparán los aviones para evitar la congestión antes de que ocurra. Ambas tareas están llenas de incertidumbre: el tiempo puede cambiar, la demanda puede subir y los expertos pueden discrepar sobre los riesgos. Los autores sostienen que la gestión eficaz requiere ahora herramientas que manejen información desordenada e incompleta sin pretender que todo está precisamente conocido.

Enseñar a los ordenadores a aprender del pasado

En el núcleo del marco propuesto hay una red neuronal, un modelo de aprendizaje automático que aprende patrones a partir de datos históricos. La red ingiere registros como recuentos de aeronaves, ocupación de sectores, condiciones meteorológicas e historiales de retrasos de distintos aeropuertos y escenarios operativos. Luego aprende a predecir cómo es probable que rinda una determinada organización del espacio aéreo: cuánta tráfico puede soportar con seguridad, cuánta carga de trabajo podrían experimentar los controladores y cuán probable es la congestión en diversas condiciones. En lugar de depender únicamente de reglas prefijadas, el sistema se adapta al comportamiento complejo y no lineal observado en operaciones reales, capturando relaciones que pueden ser demasiado sutiles o enmarañadas para que los humanos las cuantifiquen directamente.

Convertir opiniones difusas en clasificaciones claras

No obstante, los números por sí solos no capturan todo lo que importa en aviación. Los juicios de los expertos —sobre márgenes de seguridad, resiliencia frente a mal tiempo o la viabilidad de ciertas estrategias de control— son inevitablemente vagos y a veces contradictorios. Para abordarlo, los autores usan una técnica de toma de decisiones llamada FUCA, que compara todas las estrategias candidatas simultáneamente en lugar de solo por pares. Enriquecen FUCA con información “difusa pitagórica compleja”, una forma matemática de representar no solo cuánto apoyan u oponen los expertos una opción, sino también cuán dudosos o inseguros están. En la práctica, los expertos describen cada estrategia usando calificaciones verbales sencillas como “pobre”, “buena” o “muy buena” en criterios como rendimiento de pista, carga de trabajo del controlador, fiabilidad de la infraestructura, calidad de las previsiones, coste de los retrasos y riesgo de congestión. Estos términos lingüísticos se traducen en valores difusos que codifican tanto el acuerdo como la duda, permitiendo que el método respete la matización en lugar de forzar decisiones tajantes de sí o no.

De muchas opciones a las mejores estrategias

El marco se prueba en un estudio de caso detallado con cuatro tipos de expertos y quince estrategias de espacio aéreo realistas, que van desde sectores terminales específicos hasta protocolos de decisión colaborativa y avanzados esquemas de control de flujo. La red neuronal primero produce estimaciones cuantitativas de rendimiento para cada estrategia bajo condiciones inciertas. FUCA fusiona entonces estas predicciones con las valoraciones difusas de los expertos, construye una tabla de puntuaciones combinada y clasifica todas las opciones. Los resultados destacan un puñado de estrategias consistentemente fuertes: un diseño concreto de sector en ruta, un protocolo de toma de decisiones colaborativas y una malla de navegación mejorada emergen como líderes, mientras que planes más rígidos o excesivamente complejos caen al fondo. Análisis de sensibilidad extensos muestran que estas clasificaciones se mantienen estables incluso cuando la influencia relativa de los expertos o la importancia de los criterios varía en muchos escenarios, lo que sugiere que las recomendaciones no son excesivamente frágiles.

Cómo esto ayuda a las decisiones aeronáuticas del mundo real

Para evaluar cómo se compara el nuevo marco con herramientas existentes, los autores lo comparan con varios métodos rivales usados en ingeniería y planificación del transporte. Su enfoque híbrido muestra mayor capacidad para distinguir entre alternativas similares, mejor manejo de alta incertidumbre y clasificaciones más estables cuando cambian las entradas. Para gestores y reguladores, esto se traduce en un sistema de apoyo a la decisión que puede mezclar datos en tiempo real con la experiencia humana, explorar escenarios hipotéticos y resaltar estrategias que siguen siendo efectivas bajo una amplia gama de condiciones. Aunque el estudio de caso es hipotético y trabajos futuros deberán validar el modelo con datos reales de tráfico y a mayor escala, la investigación señala un camino práctico: usar IA y razonamiento difuso avanzado para guiar el diseño del espacio aéreo, la planificación de capacidad y la gestión del tráfico en un mundo donde los cielos no dejan de llenarse.

Cita: Huo, D., Zhang, S. An intelligent computational framework combining neural networks with complex Pythagorean fuzzy FUCA for airspace capacity evaluation and traffic forecasting. Sci Rep 16, 13322 (2026). https://doi.org/10.1038/s41598-026-41437-y

Palabras clave: capacidad del espacio aéreo, previsión del tráfico aéreo, redes neuronales, toma de decisiones difusa, gestión de la aviación