Previsão Interpretável do Tempo de Taxiamento de Voos de Partida Usando Aprendizado em Conjunto por Stacking e Análise SHAP

Por que o Tempo na Pista Importa

Quem já ficou sentado em um avião esperando para decolar sabe como aqueles minutos extras no solo podem ser frustrantes. Além do incômodo, longas esperas antes da decolagem desperdiçam combustível, aumentam as emissões de dióxido de carbono e causam efeitos em cascata na programação de voos ao longo do dia. Este estudo investiga como prever esse tempo de "taxiamento" com mais precisão e, igualmente importante, de uma forma que a equipe do aeroporto consiga realmente entender e confiar ao tomar decisões em tempo real.

O que Acontece entre Sair do Portão e Decolar

O tempo de taxiamento é o intervalo entre o momento em que a aeronave recua do portão e quando finalmente decola. Depende de duas parcelas principais: a configuração física do aeroporto e o quão movimentado ele está naquele momento. Os autores dividem o tempo de taxiamento em uma parte "sem impedimentos"—a velocidade mais rápida que a aeronave poderia razoavelmente atravessar o pátio sem congestionamento—e uma parte "dinâmica" que captura atrasos adicionais causados por filas e conflitos com outras aeronaves. Essa divisão permite perguntar de forma simples: quais fatores estão ligados à configuração do aeroporto em si e quais estão ligados ao acúmulo de tráfego nas pistas e vias de taxi?

Transformando Operações do Aeroporto em Dados

A equipe utilizou registros detalhados do Aeroporto Internacional de Shenzhen Bao’an, na China, cobrindo 14 dias movimentados e mais de 12.000 voos. Do sistema de suporte à decisão do aeroporto extraíram horários de partida de portão, pouso, recuo e decolagem, e então limparam os dados para remover valores anômalos. Transformaram a complexa movimentação das aeronaves na superfície em um conjunto de características numéricas: quantas aeronaves estavam decolando ou pousando durante o taxiamento de uma dada aeronave, quanto tempo os taxiamentos vinham levando em média na última meia hora, quão longe a aeronave precisava percorrer do posição de estacionamento até a pista, e como posições de estacionamento, companhias aéreas e tipos de aeronaves tendiam a se comportar com base em padrões históricos. Juntos, esses fatores descrevem tanto o layout fixo do aeródromo quanto o quadro de tráfego em constante mudança.

Uma Abordagem em Camadas para a Previsão

Em vez de confiar em um único método de predição, o estudo usa uma técnica chamada stacking, que combina vários modelos de aprendizado de máquina como camadas de um bolo. Cada modelo base faz sua própria estimativa do tempo de taxiamento; um modelo final "meta" aprende então como mesclar melhor essas estimativas. Essa abordagem em camadas, treinada e testada com validação cruzada rigorosa, alcançou precisão de ponta: cerca de 41% dos voos foram previstos com erro dentro de um minuto, e mais de 96% dentro de cinco minutos. Os autores também compararam a previsão única do tempo total de taxiamento com uma abordagem em fases que prevê separadamente o tempo sem impedimentos e o atraso extra. O método único foi ligeiramente mais preciso, mas a abordagem em duas fases deixou mais claro como fatores diferentes influenciam partes distintas do taxiamento.

Abrindo a Caixa Preta com Explicações Claras

A alta precisão por si só não é suficiente quando estão em jogo decisões sobre segurança e capacidade; os controladores precisam saber por que um modelo faz determinada previsão. Para enfrentar isso, os autores aplicam uma ferramenta chamada SHAP, que atribui a cada fator de entrada uma contribuição para o tempo de taxiamento previsto para um voo específico. Isso revela que fatores relacionados ao acúmulo de tráfego—quantas aeronaves estão nas filas de partida e chegada e quanto tempo os taxiamentos recentes têm levado—dominham a parcela de atraso extra. Em contraste, características de infraestrutura como localização de posição de estacionamento, hábitos das companhias aéreas e distância de taxi influenciam principalmente o tempo base sem impedimentos. Ao combinar verificações de correlação com pontuações SHAP, a equipe também elimina entradas menos úteis, mantendo o modelo mais simples sem sacrificar o desempenho.

O Que Isso Significa para Passageiros e para o Planeta

Em termos simples, o estudo mostra que podemos prever quanto tempo uma aeronave passará entre o recuo do portão e a decolagem com alta precisão, e podemos explicar essas previsões de forma coerente com o funcionamento real dos aeroportos. O modelo não apenas prevê quando um voo provavelmente vai decolar, como também destaca quais fatores—como uma fila de chegadas em crescimento ou uma onda de recuos simultâneos—estão impulsionando atrasos extras. Esse insight oferece ao aeroporto um meio prático de ajustar horários de recuo, gerenciar filas e reduzir o consumo de combustível ocioso. Para os viajantes, isso pode significar menos esperas misteriosas na pista; para companhias aéreas e aeroportos, oferece um caminho para operações mais suaves e menor emissão de gases.

Citação: 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

Palavras-chave: previsão do tempo de taxiamento, operações na superfície do aeroporto, aprendizado de máquina na aviação, gestão de atrasos de voo, congestionamento do tráfego aéreo