Metodología
El método de asignación de puestos presentado en este documento se compone del enfoque de dos módulos y de experimentos en un modelo de simulación. El enfoque de dos módulos genera asignaciones optimizadas de puestos basándose en el programa de vuelos objetivo, los datos históricos sobre interrupciones del programa en el periodo anterior y las políticas de asignación y objetivos de optimización definidos por el usuario. Después, las asignaciones obtenidas se estiman en el modelo de simulación que permite evaluar la calidad de la huella medioambiental de las asignaciones de puestos generadas en el enfoque de dos módulos bajo la estocasticidad de un sistema aeroportuario real.
Descripción del algoritmo
En esta sección se ofrece una breve descripción del método de dos módulos que genera asignaciones de puestos optimizadas. Se puede encontrar una descripción más general en Bagamanova y Mujica Mota (2020).
El enfoque de dos módulos se compone de dos elementos. El módulo I se encarga de estimar las probabilidades de desviación de la programación a partir de los datos históricos del aeropuerto. Estas probabilidades se expresan en forma de modelos distribucionales bayesianos y describen una probabilidad de ciertos niveles de desviaciones de la programación para diversas características de vuelo disponibles en los datos históricos (por ejemplo, como el nombre de la compañía aérea, la hora de llegada prevista y el día de la semana). Al tener en cuenta las probables desviaciones en la planificación de la asignación, se pretende reducir el tiempo de inactividad que las aeronaves podrían tener que pasar a la espera de la disponibilidad prevista del puesto y las emisiones relacionadas.
El Módulo II asigna el horario de vuelos objetivo a los stands disponibles, respetando la política de asignación y las restricciones definidas por el usuario, considerando las perturbaciones más probables o el nivel de probabilidad definido por el usuario en los horarios de ocupación de los stands. A continuación, la asignación generada se optimiza con un algoritmo genético de acuerdo con los objetivos de optimización especificados por el usuario. El resultado de dicha optimización no es necesariamente una solución óptima, sin embargo, la aleatoriedad utilizada en el algoritmo genético en forma de operadores de cruce y mutación permite obtener una solución de buena calidad en un tiempo razonable (Bagamanova y Mujica Mota 2020). La asignación de rodales resultante considera la estocasticidad en forma de desviaciones de los tiempos de ocupación de los rodales generadas a partir de los modelos distribucionales de desviaciones de la programación.
Objetivo de optimización
Para aumentar la eficiencia en la asignación de stands y mitigar la huella contaminante, producida por el movimiento de las aeronaves en tierra y la inactividad de las aeronaves a la espera de disponibilidad de stands, se ha implementado la siguiente función de meta de optimización bi-objetivo en el componente de optimización del Módulo II del enfoque de dos módulos:
min(w1 ∗ Otaxi+ w2 ∗ Oespera)(1)
La función objetivo (1) consta de los siguientes objetivos individuales:
- Minimizar la distancia en taxi hacia y desde las posiciones de estacionamiento y, por tanto, las emisiones relacionadas:
O taxi = dsched.taxi ⁄ Max dairport
- Minimizar el número de aeronaves en espera de disponibilidad de puesto y, por tanto, el uso de motores al ralentí:
O espera = ∑fl. espera ⁄ ∑ fl.
donde:
- dsched.taxi ⁄- la distancia media de taxi hacia y desde la parada en el horario asignado;
- Max dairport la máxima distancia de rodaje posible en el aeropuerto para la configuración de pista considerada;
- ∑fl. hold - el número de aeronaves que deben esperar la disponibilidad de la caseta;
- ⁄ ∑ fl - el número total de aeronaves en la programación a asignar;
- wn - peso de prioridad para el objetivo correspondiente. En el ámbito de este trabajo, todos los pesos son iguales a 1 para obtener una asignación de puestos igualmente equilibrada para los dos objetivos considerados. En la práctica, las distintas partes interesadas del aeropuerto pueden decidir los pesos en función de sus preferencias.
En la implementación original del enfoque de dos módulos de Bagamanova y Mujica Mota (2020), la función objetivo de optimización del Módulo II también incluía la maximización del uso de los puestos de contacto, una preferencia general de muchos aeropuertos, ya que permite aprovechar al máximo la construcción de la terminal en términos de experiencia del pasajero y reduce el número de vehículos de servicio en tierra que circulan por la plataforma. No obstante, en futuros trabajos podría ser interesante investigar el coste medioambiental de priorizar el uso de los puestos de contacto en el componente de optimización.
ESTUDIO DE CASO: AEROPUERTO INTERNACIONAL DE LA CIUDAD DE MÉXICO
En esta sección se analiza la aplicación del enfoque de dos módulos para encontrar políticas de asignación de puestos más eficientes desde el punto de vista medioambiental para un aeropuerto de estudio de caso.
Información general
El Aeropuerto Internacional de la Ciudad de México (código IATA: MEX) es el principal aeropuerto de México con aproximadamente 450 mil aterrizajes y despegues anuales. Cuenta con dos edificios terminales, separados por dos pistas paralelas. Estas pistas nunca operan simultáneamente debido a su proximidad. Dicha disposición restringe la capacidad del MEX y desde 2017 se ha limitado oficialmente a 61 movimientos por hora con un máximo de 40 aterrizajes (SCT 2017).
En el ámbito de este trabajo, se considera que 26 aerolíneas operan en dos terminales en MEX, realizando tanto vuelos internacionales como nacionales. Del total de 91 casetas disponibles en MEX, en este trabajo sólo se consideraron 84, ya que el resto no se utiliza para vuelos de pasajeros. Así pues, la Terminal 1 está representada por 11 puestos abiertos y 33 puestos de contacto, de los cuales 16 están dedicados a vuelos nacionales y 17 a internacionales. La Terminal 2 está representada por 17 puestos abiertos y 23 puestos de contacto, de los que 13 se utilizan para vuelos nacionales y 10 para internacionales.
Alteraciones en los horarios y emisiones
A nivel mundial, en 2018 México generó aproximadamente el 1,5% de las emisiones mundiales relacionadas con el transporte aéreo de pasajeros (Graver et al. 2019). MEX se encuentra en la proximidad directa de las zonas urbanas de la Ciudad de México, lo que hace que el aeropuerto afecte significativamente la calidad del aire y los niveles de ruido de la ciudad. Según SEDEMA (2018), MEX produce alrededor del 15% del total de emisiones contaminantes de la Ciudad de México.
En 2017 México se ha unido oficialmente a una iniciativa global para operaciones de transporte aéreo neutras en carbono (OACI 2020), lo que implica que todos los aeropuertos del país tienen que seguir las políticas y estándares de reducción de emisiones de la OACI. A pesar de estos hechos, hasta la fecha de redacción de este documento, el sitio web oficial de MEX no publicaba ninguna estimación oficial del nivel de emisiones del aeropuerto ni revelaba ninguna medida para reducir la huella medioambiental de sus operaciones.
MEX sufre con frecuencia problemas de puntualidad. En 2018, solo el 67 % de todos los vuelos se realizaron a tiempo (SCT 2019) y más del 20 % de los vuelos de salida sufrieron un retraso medio de 46 min (Flightstats 2018). Teniendo en cuenta un nivel tan alto de perturbaciones y el reciente compromiso con la iniciativa global de reducción de la huella contaminante, MEX se convierte en un buen objetivo para la aplicación del enfoque de dos módulos para descubrir el potencial oculto de reducción de emisiones relacionado con la planificación de la asignación de puestos.
Aplicación del enfoque de dos módulos
Como datos de entrada para este estudio, utilizamos un informe oficial de rendimiento para un período del 28.05.2018 al 03.06.2018, recuperado del Aeropuerto Internacional de la Ciudad de México (2018). Este reporte consistió en más de 8,000 vuelos con tiempos de llegada reales y programados, números de vuelo, nombres de aerolíneas y tipo de aeronave utilizada. En la semana elegida aproximadamente 7% de los vuelos de llegada se desviaron por más de una hora de su horario. Más del 53% de las llegadas programadas sufrieron un retraso sustancial de más de 15 minutos, lo que supone una perturbación importante para un aeropuerto congestionado.
Debido a la indisponibilidad de datos reales sobre los tiempos de respuesta y la correspondencia entre llegadas y salidas de los aviones, se partió de la base de utilizar únicamente los vuelos de pasajeros de llegada del informe obtenido y definir un tiempo de respuesta de 60 minutos para todos los vuelos en los experimentos realizados. Tales limitaciones redujeron el número de vuelos a 3.914 llegadas, de las que el 31,7% eran vuelos internacionales y el 68,3% nacionales.
Los datos seleccionados de 3.914 vuelos se han procesado en el Módulo I y se han construido los modelos bayesianos para las desviaciones de la hora de llegada, asumiendo la correlación de las desviaciones con el nombre de la aerolínea y la hora de llegada programada. La descripción detallada de los parámetros resultantes de los modelos de regresión, que componen el modelo bayesiano sumativo, y los resultados del Módulo I se pueden encontrar en Bagamanova y Mujica Mota (2020).
Por último, el Módulo II creó una asignación, considerando las desviaciones programadas más probables, las restricciones de la política de asignación, y la optimizó de acuerdo con la función objetivo (1). Dado que el enfoque de dos módulos se considera un sustituto más eficaz de los tiempos de amortiguación utilizados tradicionalmente, para la generación de la asignación de puestos en el Módulo II no se añadieron intencionadamente tiempos de amortiguación entre vuelos consecutivos asignados al mismo puesto. Las estadísticas de asignación resultantes se muestran en la Figura 1.
Cada aeropuerto tiene sus propias restricciones de política de asignación de puestos, lo que implica un determinado uso de los mismos. A continuación se indican las restricciones consideradas en el algoritmo presentado:
- Los vuelos nacionales e internacionales deben asignarse a los stands específicos de las zonas designadas. Se trata de especificaciones internas del aeropuerto, por ejemplo, los vuelos internacionales se asignan a los stands que tienen acceso a las zonas de control fronterizo designadas;
- Los retrasos de los vuelos deben tenerse en cuenta en la asignación (de acuerdo con las distribuciones de probabilidad condicional del Módulo I). En este documento, sólo se tienen en cuenta los retrasos de llegada debido a la falta de disponibilidad de datos de asistencia en tierra y a la correspondencia entre los aviones que llegan y los que salen;
- Un puesto asignado debe corresponderse con el tamaño de un avión (los aviones grandes requieren espacio adicional debido a su mayor envergadura). Esto se lleva a cabo mediante la identificación de los puestos permitidos para cada vuelo en la fase de tratamiento de los datos de entrada en el Módulo II.
Figura 1: Estadísticas de asignación de puestos generadas por el Módulo II.
Como puede observarse en la Figura 1, la mayoría de los vuelos se asignaron a puestos situados a poca distancia de las pistas. En la Terminal 1, aproximadamente el 61,1% de los vuelos programados se asignaron a una caseta situada a una distancia inferior a la distancia media de rodaje de la Terminal 1 de 4,2 km de la pista; en la Terminal 2, el 61,3% de los vuelos se asignaron a casetas situadas a una distancia inferior a la distancia media de rodaje de la Terminal 2 de 5,6 km. Naturalmente, algunos de los vuelos tuvieron que asignarse a posiciones más alejadas debido a limitaciones de la política de asignación, zonas designadas de control fronterizo y falta de disponibilidad de posiciones más cercanas. No obstante, la Figura 1 demuestra el éxito del algoritmo en la minimización de la distancia de rodaje.
Una de las limitaciones de los datos utilizados para este estudio es la falta de disponibilidad de las asignaciones históricas reales de las paradas MEX. Por lo tanto, por el momento, es imposible comparar la calidad de los resultados del enfoque de dos módulos con las asignaciones reales de las paradas MEX. Así pues, para evaluar la calidad de la asignación obtenida y debido a la ausencia de asignaciones históricas reales de stands en MEX, la asignación del enfoque de dos módulos se probó en el entorno del modelo de simulación de MEX, tal como se describe en la siguiente sección. La descripción detallada y validación de este modelo de simulación puede consultarse en Mujica Mota y Flores (2019).
Experimentos de simulación
El objetivo principal de utilizar un modelo de simulación en este estudio es evaluar los efectos de la consideración de las desviaciones de horario en la asignación de paradas sobre las emisiones relacionadas con el taxi en condiciones cercanas a la realidad y encontrar formas de mejorar el rendimiento del aeropuerto y el nivel de emisiones. El modelo de simulación utilizado en este estudio nos permite incorporar elementos estocásticos (como situaciones de parada y arranque, espera por devolución en la puerta de embarque) que no se tuvieron en cuenta en la generación de la asignación, pero que sí influyen en los movimientos de las aeronaves en tierra en la vida real.
Para cada réplica de la simulación se siguieron los siguientes indicadores de rendimiento
- distancia total de rodaje de todas las aeronaves del horario asignado: d total taxi = ∑ N
i=1 (d in i + d out i ) ;
- tiempo total de rodaje de todas las aeronaves del programa asignado: t total taxi = ∑ N
i=1 (t in i + t out i + t wait i ) ;
- cantidad total de emisiones contaminantes relacionadas con el rodaje e taxi total = t taxi total ∗ F NO + t taxi total ∗ F CO ;
donde:
- d in i - distancia recorrida por la aeronave i desde la salida de la pista hasta una caseta;
- d out i - distancia recorrida por la aeronave i desde un puesto hasta el punto de entrada en pista;
- t in i - tiempo recorrido por la aeronave i desde la salida de la pista hasta un puesto;
- t out i - tiempo recorrido por la aeronave i desde un stand hasta el punto de entrada en pista;
- t wait i - tiempo empleado por la aeronave i en esperar la disponibilidad del stand;
- F NO y F CO - factores de emisión de NOx y CO 2 respectivamente;
- i... N - número de aeronaves.
Los factores de emisión dependen de las características del motor, el tipo de combustible utilizado y el peso de la aeronave, entre otros (OACI 2019b). Debido a la falta de disponibilidad de datos reales sobre las especificaciones del motor y el peso de la aeronave para el programa de vuelo estudiado, la cantidad de emisiones totales e rodaje total se calculó asumiendo una velocidad de rodaje constante y la referencia de emisiones de rodaje para Airbus A320 (motor CFM56) (Agencia Europea de Medio Ambiente 2016). Se eligió este tipo de aeronave porque se utilizó en el 55 % de los vuelos estudiados. Menos del 1% de los vuelos estudiados se realizaron con un tipo de aeronave grande y el resto de los vuelos estaban representados en su mayoría por clase regional. Los factores de emisión adaptados por minuto de rodaje se muestran en la Tabla.
Tabla 1: Factores de emisión por minuto de rodaje.
| Tipo |
Factor, kg/min |
| Consumo de combustible |
14.52 |
| Emisión de NOx por minuto, F NO |
0.065196 |
| Emisión de CO 2 por minuto, F CO |
1.7604 |
La asunción de determinados factores de emisión en este documento se realiza para obtener una estimación general del impacto de la aplicación del enfoque de dos módulos en las emisiones de los aeropuertos. No obstante, se considera la posibilidad de realizar un cálculo más detallado en el futuro, teniendo en cuenta diferentes factores de emisión para todos los tipos de aeronaves actuales, cuando se disponga de más datos reales sobre las especificaciones de las aeronaves.
En el momento de realizar este estudio, no se disponía de información sobre la asignación exacta o histórica de posiciones en MEX. Por lo tanto, las asignaciones generadas por el enfoque de dos módulos se compararon con una asignación aleatoria de última hora, generada directamente durante cada simulación. Una asignación aleatoria de última hora asigna un vuelo durante la simulación a cualquier puesto adecuado disponible en el momento en que la aeronave inicia la aproximación para el aterrizaje. Esto significa que se puede elegir cualquier puesto adecuado que no esté ocupado en el momento de la decisión, independientemente de su distancia de rodaje a la pista. Como la elección se hace de forma aleatoria, cada simulación da como resultado un uso diferente de las posiciones. Dado que en esta asignación de última hora no existe una planificación previa, se considera que se minimizan los efectos de las interrupciones de la programación sobre el uso de los stands y que hay menos posibilidades de que se produzcan conflictos de asignación. Sin embargo, no se ha estimado a qué coste medioambiental se minimizan estos efectos. En esta sección, se estiman los efectos de esta asignación aleatoria de última hora sobre las emisiones relacionadas con el taxi y se comparan con una planificación proactiva de la asignación, realizada mediante el enfoque de dos módulos. Además, para rastrear los efectos de las desviaciones del horario en las emisiones relacionadas con el taxi, se incluyeron en este estudio escenarios de simulación que contenían tanto llegadas puntuales como llegadas interrumpidas.
En la Tabla 2 se presenta un resumen de los escenarios de asignación de paradas definidos. Estos escenarios pueden describirse como sigue:
- Escenario A. Caso base. Representa una situación ideal con todos los vuelos llegando a tiempo, asignación de stands generada sólo con el uso del Módulo II (es decir, asignación optimizada sin considerar desviaciones).
- Escenario B. Asignación de puestos generada sólo con el uso del Módulo II (es decir, asignación optimizada sin tener en cuenta las desviaciones). Los vuelos llegan con desviaciones en la hora de llegada, generadas a partir de las distribuciones de desviaciones en la hora de llegada aprendidas en el Módulo I.
- Escenario C. Asignación de puestos generada considerando el retraso esperado con el uso tanto del Módulo I como del Módulo II. Los vuelos llegan con desviaciones en la hora de llegada, generadas en base a las distribuciones de desviación de la hora de llegada aprendidas en el Módulo I.
- Escenario D. Los vuelos que llegan se asignan a los stands utilizando la asignación aleatoria de última hora. Los vuelos llegan a tiempo, de acuerdo con la programación.
- Escenario E. Los vuelos de llegada se asignan a los stands utilizando asignación aleatoria de último minuto. Los vuelos llegan con desviaciones en la hora de llegada, generadas en base a las distribuciones de desviación de la hora de llegada aprendidas en el Módulo I.
Tabla 2: Escenarios de asignación de stands.
| Nombre del escenario |
Alteraciones del horario |
Interrupciones de horarios consideradas |
Optimización de la asignación |
Generación de asignaciones |
| A |
- |
- |
SÍ |
MÓDULOII |
| B |
SÍ |
- |
SÍ |
MÓDULOII |
| C |
SÍ |
SÍ |
SÍ |
Dos módulos |
| D |
SÍ |
SÍ |
SÍ |
Aleatorio de última hora |
| E |
SÍ |
- |
- |
Aleatorio último minuto |
El objetivo de este trabajo es descubrir el potencial oculto para la reducción de las emisiones relacionadas con el taxi a través de la optimización de la asignación de paradas. Y como se ha observado en el análisis de la asignación generada en la sección 3.3, la distribución actual de áreas nacionales e internacionales en las terminales tiene una influencia considerable en los resultados de la asignación y, por lo tanto, en el nivel de emisiones relacionadas con el taxi. Por lo tanto, se ha decidido manipular algunas de las restricciones de asignación disponibles y, en consecuencia, elaborar nuevas políticas de asignación que no requieran una reconstrucción importante de las instalaciones aeroportuarias. El único requisito que se mantiene estricto en todas las políticas de asignación simuladas es la asignación de aeronaves de gran tamaño únicamente a los puestos especialmente equipados. Las nuevas políticas de asignación se compararon con la política original, que contiene restricciones estrictas de asignación, a través de una serie de experimentos, simulando los escenarios A-E sin alcanzar las políticas definidas. De este modo, para cada política de asignación, se evaluó el rendimiento del enfoque de dos módulos con llegadas puntuales y perturbadas, y se comparó con la asignación aleatoria de última hora. Las políticas de asignación definidas son las siguientes
- Grupo I - experimentos del caso base. Asignación de puestos generada según el conjunto original de restricciones de asignación con estricto cumplimiento de la terminal designada y la zona internacional/doméstica.
- Grupo II - las aeronaves se asignan a cualquier puesto disponible en la terminal prevista originalmente. Esto significa que tanto los vuelos internacionales como los nacionales pueden ser asignados al mismo stand.
- Grupo III - los aviones pueden elegir puestos en cualquier terminal, pero deben respetar la política de zonas designadas. Esto significa que un vuelo nacional debe asignarse a la zona nacional pero puede asignarse a la zona nacional de cualquier terminal.
- Grupo IV - los aviones pueden ser asignados a cualquier zona de cualquier terminal. Se trata de una política de asignación sin restricciones de disposición que permite acercarse al mínimo posible de distancia de rodaje y de emisiones relacionadas con el rodaje para el programa de vuelos estudiado.
- Grupo V - la Terminal 1 está totalmente destinada a vuelos nacionales. Esto significa que incluso si un vuelo estaba previsto originalmente para la Terminal 2, en caso de que sea nacional se asignará a la Terminal 1.
- Grupo VI - La Terminal 1 está totalmente designada para vuelos internacionales. Esto significa que aunque un vuelo estuviera previsto originalmente en la Terminal 2, si es internacional se asignará a la Terminal 1.
El uso de los mismos datos para aprender modelos distribucionales bayesianos para las alteraciones de horarios y para generar experimentos de simulación estocásticos puede considerarse una limitación de este trabajo. No obstante, el objetivo principal del enfoque propuesto es mitigar el impacto negativo de las alteraciones del horario en el entorno aeroportuario, no predecir el retraso exacto o la hora de llegada anticipada de los vuelos programados. Al considerar un determinado intervalo de probabilidad en la planificación de la asignación, pretendemos proporcionar una herramienta para influir en la robustez de la asignación de puestos. Con un intervalo de probabilidad mayor, se pueden considerar más perturbaciones; sin embargo, esto podría reducir la capacidad de recursos de los stands y, por lo tanto, puede considerarse una limitación para algunos aeropuertos congestionados. Con intervalos de probabilidad más pequeños se reducirían los tiempos de bloqueo de los puestos, pero aumentaría el número de aeronaves que podrían esperar a que el puesto estuviera disponible. Esta disyuntiva no se analiza en este documento, aunque se estudiará en futuras investigaciones.
Para cada política de asignación, los experimentos A-E se ejecutaron con 30 réplicas cada uno. Cada réplica tenía una duración de 7 días más horas extra por desviaciones en el horario de llegada. En la siguiente sección se presentan y discuten los resultados de los experimentos realizados.