Uma estrutura computacional inteligente que combina redes neurais com FUCA difusa pitagórica complexa para avaliação da capacidade do espaço aéreo e previsão de tráfego

Por que céus mais inteligentes importam

Quem já enfrentou um longo atraso de voo sabe como nosso sistema de transporte aéreo pode ser frágil. Por trás de cada decolagem e aterrissagem há um equilíbrio constante: quantas aeronaves o espaço aéreo pode acomodar com segurança, como tempestades e congestionamentos se propagam pela rede e como controladores e planejadores conciliam prioridades concorrentes. Este artigo apresenta uma nova forma de apoiar essas decisões ao combinar inteligência artificial com um método sofisticado de agregação de julgamentos de especialistas, com o objetivo de tornar as viagens aéreas mais seguras, suaves e previsíveis mesmo quando as condições são incertas.

Entendendo um céu lotado e em transformação

O tráfego aéreo moderno tornou-se tão denso e complexo que ferramentas tradicionais de planejamento — baseadas em regras fixas ou médias simples — têm dificuldade para acompanhar. A capacidade do espaço aéreo é, essencialmente, o número máximo de aeronaves que podem transitar com segurança por uma região sob condições variáveis, desde pistas movimentadas até controladores sobrecarregados e equipamentos de navegação vulneráveis. A previsão de tráfego tenta antecipar quando e onde as aeronaves vão se aglomerar para que o congestionamento possa ser evitado antes de ocorrer. Ambas as tarefas estão repletas de incerteza: o tempo pode mudar, a demanda pode disparar e especialistas podem discordar sobre os riscos. Os autores defendem que a gestão eficaz exige hoje ferramentas capazes de lidar com informações incompletas e confusas sem fingir que tudo é precisamente conhecido.

Ensinando computadores a aprender com o passado

No núcleo da estrutura proposta está uma rede neural, um modelo de aprendizado de máquina que aprende padrões a partir de dados históricos. A rede absorve registros como contagens de aeronaves, ocupação de setores, condições meteorológicas e históricos de atrasos de diferentes aeroportos e cenários operacionais. Em seguida, passa a prever como uma determinada organização do espaço aéreo provavelmente irá se comportar: quanto tráfego ela pode suportar com segurança, quão pesadas podem ficar as cargas de trabalho dos controladores e qual a probabilidade de congestionamento sob várias condições. Em vez de confiar apenas em regras pré-definidas, o sistema se adapta ao comportamento complexo e não linear observado nas operações reais, capturando relações que podem ser sutis ou intrincadas demais para os humanos quantificarem diretamente.

Transformando opiniões vagas em classificações claras

Números isolados, no entanto, não capturam tudo o que importa na aviação. Julgamentos de especialistas — sobre margens de segurança, resiliência a mau tempo ou a viabilidade de certas estratégias de controle — são inevitavelmente vagos e às vezes conflitantes. Para lidar com isso, os autores empregam uma técnica de tomada de decisão chamada FUCA, que compara todas as estratégias candidatas simultaneamente em vez de apenas aos pares. Eles enriquecem o FUCA com informação “difusa pitagórica complexa”, uma forma matemática de representar não apenas quanto os especialistas apoiam ou se opõem a uma opção, mas também quão hesitantes ou incertos eles estão. Na prática, os especialistas descrevem cada estratégia usando graus verbais simples como “ruim”, “bom” ou “muito bom” em critérios como capacidade de pista, carga de trabalho do controlador, confiabilidade da infraestrutura, qualidade da previsão, custo de atraso e risco de congestionamento. Esses termos linguísticos são traduzidos em valores difusos que codificam tanto a concordância quanto a dúvida, permitindo que o método respeite nuances em vez de forçar decisões binárias e rígidas.

De muitas opções para as melhores estratégias

A estrutura é testada em um estudo de caso abrangente com quatro tipos de especialistas e quinze estratégias realistas de espaço aéreo, que vão de setores terminais específicos a protocolos de decisão colaborativa e esquemas avançados de controle de fluxo. A rede neural primeiro produz estimativas quantitativas de desempenho para cada estratégia sob condições incertas. O FUCA então funde essas previsões com avaliações difusas de especialistas, constrói uma tabela de pontuação combinada e classifica todas as opções. Os resultados destacam um punhado de estratégias consistentemente fortes: um desenho particular de setor em rota, um protocolo de tomada de decisão colaborativa e uma grade de navegação aprimorada surgem como líderes, enquanto planos mais rígidos ou excessivamente complexos ficam nas últimas posições. Análises de sensibilidade extensas mostram que essas classificações permanecem estáveis mesmo quando a influência relativa dos especialistas ou a importância dos critérios é variada em muitos cenários, sugerindo que as recomendações não são excessivamente frágeis.

Como isso ajuda decisões da aviação no mundo real

Para comparar a nova estrutura com ferramentas existentes, os autores a confrontam com vários métodos concorrentes usados em engenharia e planejamento de transportes. A abordagem híbrida mostra maior capacidade de distinguir entre alternativas similares, melhor manejo de alta incerteza e classificações mais estáveis quando as entradas mudam. Para gestores e reguladores, isso se traduz em um sistema de apoio à decisão que pode combinar dados em tempo real com experiência humana, explorar cenários hipotéticos e destacar estratégias que permanecem eficazes em uma ampla gama de condições. Embora o estudo de caso seja hipotético e trabalhos futuros precisem validar o modelo com dados reais de tráfego e em escalas maiores, a pesquisa aponta para um caminho prático: usar IA e raciocínio difuso avançado para orientar o desenho do espaço aéreo, o planejamento de capacidade e a gestão do tráfego em um mundo onde os céus só tendem a ficar mais movimentados.

Citação: 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

Palavras-chave: capacidade do espaço aéreo, previsão do tráfego aéreo, redes neurais, tomada de decisão difusa, gestão da aviação