jtl v05n02p05

Palavras-Chave: tráfego aéreo, controle, gerenciamento de fluxo, fluxo máximo, teoria dos grafos.

Key words: air traffic, control, flow management, maximum flow, graph theory.

Recommended Citation

Abstract

This paper presents the air traffic Flow Balancing Model (FBM) which uses network maximum flow algorithms to accomplish

air traffic flow management in the flight information regions under Brazilian control responsibility . Four maximum flow

algorithms were implemented and tested in this work: Edmonds-Karp, Dinic, FIFO Preflow Push and Highest Label Preflow Push.

Each algorithm has its particular method to calculate the maximum flow value, that results in different air traffic flow balancing

solutions. A case study comparing the results for each algorithm is presented, and the results represent different balancing

options that allow the traffic flow managers to choose which one better adapts to the tactical air traffic management scenery

under analysis.

Almeida, C. R. F., Weigang, L. and Timoszczuk, A. P. (2011) Algoritmos de fluxo máximo em rede aplicado em gerenciamento de

fluxo de tráfego aéreo. Journal of Transport Literature, vol. 5, n. 2, pp. 73-91.

Cícero Roberto Ferreira de Almeida, Li Weigang, Antonio Pedro Timoszczuk

Resumo

Este artigo apresenta o Modelo de Balanceamento de Fluxo de tráfego aéreo (MBF) que emprega algoritmos de fluxo máximo

em rede para realizar balanceamento de fluxo de tráfego aéreo nas regiões de informação de voo controladas pelo Brasil. Foram

implementados quatro algoritmos de fluxo máximo (Edmonds-Karp, Dinic, FIFO Preflow Push e Highest Label Preflow Push).

Cada algoritmo dispõe de um método próprio para calcular o valor máximo de fluxo, o que conduz à soluções diferenciadas para

o balanceamento de fluxo de tráfego aéreo. Estas soluções são comparadas por meio de um estudo de caso que apresenta os

resultados de cada algoritmo com opções diferentes de balanceamento, e permite aos gerentes de fluxo de tráfego aéreo escolher

a opção que melhor se adapta à evolução tática do cenário aéreo.

This paper is downloadable at www.transport-literature.org/open-access.

■ JTL|RELIT is a fully electronic, peer-reviewed, open access, international journal focused on emerging transport markets and

published by BPTS - Brazilian Transport Planning Society. Website www.transport-literature.org. ISSN 2238-1031.

* Email: [email protected].

Research Directory

Journal of Transport Literature

Submitted 10 Jan 2011; received in revised form 3 Feb 2011; accepted 6 Feb 2011

Vol. 5, n. 2, pp. 73-91, Apr. 2011

Algoritmos de fluxo máximo em rede aplicado em

gerenciamento de fluxo de tráfego aéreo

[Network maximum flow algorithms applied to air traffic flow management]

Universidade de Brasília (UNB), Brazil, Universidade de Brasília (UNB), Brazil, Fundação Atech, Brazil

B T P SB T P SB T P SB T P S

Brazilian Transportation Planning Society

www.transport-literature.org

JTL|RELITJTL|RELITJTL|RELITJTL|RELIT

ISSN 2238-1031

74

Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)

1. Introdução1

Os espaços aéreos controlados são locais onde se prestam o serviço de controle de tráfego aéreo.

Estes espaços aéreos podem ser: Área de controle superior (Upper Control Area - UTA) que

compreende as aerovias (Airway – AWY) superiores e demais partes do espaço aéreo superior;

Área de Controle Inferior (Control Area - CTA) que compreende as aerovias inferiores e outras

partes do espaço aéreo inferior; Área de Controle Terminal (Terminal Manoeuvring Area –

TMA) que também compreende partes do espaço aéreo inferior, porém encontram-se nas

imediações de um ou mais aeródromos; Zona de Tráfego de aeródromo (Aerodrome Traffic

Zone – ATZ) e Zona de Controle (Control Terminal Region – CTR). AS Regiões de Informação

de Voo (Flight Information Region – FIR) são outro tipo de espaço aéreo. Uma FIR compreende

uma ampla área sob responsabilidade de um Centro Integrado de Defesa Aérea e Controle de

Tráfego Aéreo (CINDACTA). Brasil encontra-se divido em cinco FIR. Cada FIR está

subdividida em Setores de Controle que possuem capacidades nominais para o número de

aeronaves que podem ocupá-los num dado instante, assim os valores de ocupação são ajustados

com respeito a estas capacidades para manter a segurança e fluidez dos voos.

O serviço de Gerenciamento de Tráfego Aéreo busca garantir a regularidade, eficácia e

segurança dos voos com balanceamento adequado entre demanda e capacidade da infraestrutura

aeronáutica e aeroportuária disponível, conforme as condições meteorológicas correntes (Rolim

et. Al 2004). O Gerenciamento de Fluxo de Tráfego Aéreo (Air Traffic Flow Management -

ATFM) é responsável pelas análises que indicam eventuais sobrecargas na infraestrutura

disponível e propõe ações para ajustar o fluxo de aeronaves de forma a que não ocorra a

saturação do espaço aéreo.

No Brasil, o serviço de Gerenciamento de Fluxo de Tráfego Aéreo é exercido pelo Centro de

Gerenciamento da Navegação Aérea (CGNA). O CGNA utiliza sistemas de gerenciamento ou

planejamento de movimentos aéreos nas áreas das cinco FIR do Brasil. Com o apoio destes

sistemas, o CGNA emprega uma metodologia de planejamento dos planos de voo dividida em

três fases: A fase Estratégica permite visualizar planos de voo com ampla antecedência (um ano,

seis meses etc) até 24 horas antes da decolagem; a fase pré-tática administra os planos de voo

entre 24 horas até 6 horas antes da decolagem e a fase tática que gerencia os planos de voo entre

1 Esta pesquisa foi parcialmente apoiada pelo CNPq nos projetos 473946/2009-2 e 485940/2007-8.

75


6 horas antes da decolagem até a hora da decolagem. Este planejamento fornece ao CGNA uma

demanda de fluxo de tráfego aéreo esperado.

A limitação dos meios de controle, bem como outros fatores com potencial para alterar o fluxo

de tráfego esperado, podem levar os setores de controle a um estado de saturação (Weigang et

al. 2008) (Souza et al. 2008). Assim observa-se a necessidade de soluções computacionais para

apoiar a resolução do problema de balanceamento entre demanda e capacidade de fluxo. Este

artigo apresenta as implementações dos algoritmos de fluxo máximo de Dinic (1970), FIFO

Preflow Push e Highest Preflow Push (Ahuja, 1993) como evolução do Modelo de

Balanceamento de Fluxo inicialmente proposto por Souza et al. (2008) e que utilizou o

algoritmo Edmonds-Karp.

Este artigo está organizado em seções da seguinte forma: A Seção 1 contextualiza o problema de

ATFM no cenário brasileiro e apresenta a solução proposta por este trabalho. A Seção 2

menciona trabalhos representativos do estado da arte para o problema do ATFM e apresenta um

resumo da arquitetura do sistema onde o MBF está inserido. A Seção 3 apresenta a justificativa

do trabalho de evolução proposto para o Modelo de Balanceamento de Fluxo. A Seção 4 mostra

em detalhes o modelo adotado para o MBF e descreve o seu funcionamento. A Seção 5 descreve

a implementação das modificações efetuadas no modelo. Na Seção 6, são apresentados o estudo

de caso e os resultados dos experimentos com o modelo do MBF modificado, utilizando dados

reais de movimentos aéreos ocorridos entre 2008 e 2009. E por fim, nas Conclusões, são

avaliados os resultados obtidos nos experimentos.

2. Trabalhos correlatos

Existem diversos trabalhos que tratam do problema de Gerenciamento de Fluxo de Tráfego

Aéreo e que exploraram várias técnicas computacionais. Dentre essas técnicas podem ser citadas

os Sistemas Especialistas (Weigang et al., 1997), a programação linear inteira (Rizzi, 2003) e

(Ball et al., 2003), os sistemas multiagentes (DIB et al., 2007), abordagens em programação

dinâmica (Zhang et al., 2005), aprendizagem por reforço (Alves, 2006), multifluxo e teoria dos

grafos (Almeida et al., 2010) entre outras abordagens.

Este artigo traz detalhes do MBF, que é um dos módulos do Sistema Distribuído de Apoio à

Decisão aplicado ao Gerenciamento Tático do Fluxo de Tráfego – SISCONFLUX (Crespo et al.,

76


2007). O SISCONFLUX busca obter previsibilidade para a tomada de decisões de medidas de

restrição de fluxo, e é composto por três módulos: Módulo de Acompanhamento e Previsão de

Cenário (MAPC), Módulo de Avaliação e Apoio à Decisão (MAAD), Módulo de

Balanceamento de Fluxo (MBF).

O MBF interage com o MAPC dentro de um cenário projetado do fluxo de tráfego. A versão

inicial proposta por Souza et al. (2008) representa somente a FIR Brasília através de um modelo

em grafo composto por multifluxos que têm origem nas TMA. Este grafo representativo

associado ao fluxo de aeronaves forma uma rede onde os arcos do grafo representam os setores

de controle, as TMA e as FIR adjacentes à FIR Brasília. Os nós do grafo representam, por sua

vez, pontos de transição entre os setores de controle, TMA e FIR adjacentes. O modelo permite

a análise automática da previsão de ocupação do setor de controle; se a previsão resultar em

valores próximos ao limite de 80% da capacidade do setor (congestionamento) ou 100% da

capacidade do setor (saturação), o modelo inicia o processo de balanceamento por meio do

algoritmo de fluxo máximo de Edmonds-Karp (1972).

Como estratégia de, gerenciamento de fluxo de tráfego aéreo, o modelo emprega a o

procedimento de GDP (Ground Delay Program), que consiste em reter a aeronave em solo, e

trabalha para obter o fluxo máximo diante das restrições de capacidade dos setores de controle

com o ajuste do fluxo conforme estas capacidades. Assim o MBF propicia um balanceamento

entre demanda e capacidade de fluxo nos setores de controle e define um intervalo de

decolagens expresso em minutos que induz uma cadência de saída de aeronaves de uma TMA

específica.

A contribuição desse trabalho para a evolução do MBF, é a implementação dos algoritmos de

Dinic (1970), FIFO Preflow Push (Ahuja, 1993) e Highest Label Preflow Push (Ahuja, 1993)

no modelo como opções de balanceamento de fluxo. Cada algoritmo possui características e

métodos próprios para obter o fluxo máximo que retorna como resultados, soluções diferentes

de ocupação dos setores de controle. Isto confere ao modelo uma nova funcionalidade que não

existia na versão de Souza et al. (2008), que utilizava somente o algoritmo de Edmonds-Karp.

77


3. Justificativa

No trabalho de Souza et al. (2008), para a implementação inicial do MBF, o autor utilizou

apenas o conhecido algoritmo de Edmonds-Karp para fazer o balanceamento de fluxo de tráfego

aéreo realizado por seu modelo. Entretanto a Teoria dos Grafos propõe diferentes algoritmos

com métodos distintos para o cálculo do fluxo máximo, que realizam o mesmo trabalho, por

exemplo: Dinic, FIFO Preflow Push e Highest Preflow Push.

Apesar da versão do MBF desenvolvida por Souza et al. (2008) retornar os tempos entre

decolagens, ela oferece uma única solução de distribuição de carga de fluxo para os setores do

espaço aéreo. Isto ocorre porque esta versão do MBF utiliza apenas um algoritmo de fluxo

máximo, ou seja, o algoritmo de Edmonds-Karp.

A escolha do algoritmo não interfere diretamente no resultado do valor de fluxo máximo e

tempos de saídas das TMA, ou seja, qualquer algoritmo de fluxo máximo chegará às mesmas

sugestões de tempos de decolagem de uma determinada TMA. Entretanto, os métodos

específicos que cada algoritmo utiliza para calcular o fluxo máximo podem produzir diferentes

formas de ocupação dos setores de controle, para o mesmo valor de fluxo máximo. Assim, o

emprego de múltiplos algoritmos de fluxo máximo em rede permite uma evolução, de modo que

o modelo possa não apenas fornecer intervalos de tempo entre decolagens, mas também formas

de distribuição do fluxo de tráfego que são produzidas pelos diferentes métodos de cálculo de

cada algoritmo. A distribuição da carga de fluxo entre os diversos setores, representa um dos

requisitos de desenvolvimento do SISCONFLUX como ferramenta de apoio ao gerenciamento

do fluxo de tráfego aéreo.

Outro ponto relevante deste trabalho, é a abrangência do modelo do espaço aéreo. A

representação do espaço aéreo brasileiro no trabalho original de Souza et al. (2008) contempla

apenas os setores da FIR Brasília, que contava com quatorze setores. Entretanto, o espaço aéreo

do Brasil possui quarenta e seis setores de controle dispersos em cinco Regiões de Informação

de Voo, e por isso o modelo de Souza et al. (2008) não fornecia uma visão dos impactos para

todo o cenário aéreo brasileiro. Neste trabalho, o modelo foi estendido e aplicado, com algumas

simplificações para a totalidade do espaço aéreo brasileiro.

78


4. Modelagem

O MBF está integrado ao Sistema de Apoio à Decisão Aplicado ao Gerenciamento Tático de

Fluxo Aéreo (SISCONFLUX). É um módulo que interage constantemente com o Módulo de

Acompanhamento e Previsão de Cenário (MAPC) do qual recebe informações sobre o cenário

aéreo corrente. Estas informações são determinadas pelos movimentos aéreos e por ações que

possam acarretar modificações no fluxo de tráfego aéreo, determinadas a partir do Módulo de

Avaliação e Apoio à Decisão (MAAD).

A arquitetura do MBF é apresentada na Figura 1. A composição interna do MBF apresenta três

submódulos: Submódulo de persistência de dados, Submódulo construtor de grafos e

Submódulo analisador.

Figura 1: Arquitetura do MBF (Souza et al. 2008).

O submódulo de persistência armazena os resultados dos balanceamentos realizados e recupera

as informações do banco de dados para que o submódulo construtor possa construir os grafos

que representam o espaço aéreo. O submódulo analisador interage com o submódulo de

persistência e recupera o cenário aéreo corrente para a análise e balanceamento do fluxo por

algoritmos de fluxo.

A solução baseia-se na aplicação da Teoria dos Grafos, por meio da execução de um dos

algoritmos de balanceamento implementados. A partir da previsão de cenário e da distribuição

da capacidade de cada setor, o modelo tem como objetivo sugerir intervalos de tempo de

79


decolagem e diferentes maneiras de distribuir o fluxo de tráfego ao longo dos setores, para

possibilitar a utilização mais adequada das capacidades dos setores disponíveis.

4.1 Políticas de distribuição de folga dos setores de controle.

A folga operacional de um setor é definida como a diferença entre a sua capacidade estabelecida

e a situação atual. O modelo utiliza duas políticas de distribuição de folga dos setores, uma

igualitária e outra priorizada. A política igualitária distribui igualmente a folga dos setores de

modo que as aeronaves que trafegam por qualquer um dos fluxos entre as TMA tenham a

mesma oportunidade de ocupar os setores. Por outro lado, a política de distribuição priorizada

privilegia fluxos para uma TMA específica de modo que as aeronaves com destino a essa TMA,

tenham maior oportunidade de ocupar os setores de controle que compõem estes fluxos. O

objetivo do uso de políticas distintas está relacionado com a possibilidade de se privilegiar

determinadas rotas com maiores demandas de voo, para melhor gerir o fluxo de tráfego.

4.2 O processo de análise e balanceamento de fluxo.

O submódulo analisador faz o cálculo da distribuição de folga operacional entre os fluxos de

tráfego existentes e realiza o ajuste de ocupação dos setores de controle, conforme os tempos

médios de evolução das aeronaves em rota. A partir destas informações, executa o

balanceamento do fluxo que determina as restrições sugeridas para evitar congestionamentos

nos setores. O cálculo das restrições é obtido pelos algoritmos de fluxo máximo. Cada algoritmo

tem seu próprio método para obter o valor do fluxo máximo de aeronaves, assim o modelo pode

retornar mais de uma forma de distribuir o fluxo de saída de aeronaves para os setores de

controle.

O processo de análise e balanceamento é executado conforme a seguinte sequência: (1)

Distribuir as folgas de acordo com a política de distribuição selecionada, (2) executar o ajuste da

ocupação, (3) Executar um dos algoritmos de fluxo máximo (Edmonds-Karp, Dinic, FIFO

Preflow Push e Highest Label Preflow Push).

80


5. Implementação

Nesse trabalho, o protótipo desenvolvido por Souza et al. (2008) foi alterado para incluir as

implementações dos algoritmos de Dinic (1970), FIFO Preflow Push e Highest Label Preflow

Push (Ahuja, 1993), como opções a serem utilizadas no balanceamento do fluxo para o espaço

aéreo brasileiro. Para implementar e habilitar os algoritmos no projeto, foi necessário realizar

adaptações na estrutura do sistema implementado na primeira versão, de forma a possibilitar a

representação integral do espaço aéreo brasileiro. Essas mudanças não alteraram o

comportamento anteriormente validado através do algoritmo Edmonds-Karp. A reestruturação

proporcionou um maior nível de abstração ao protótipo quanto à escolha do algoritmo de

balanceamento, de modo que a inclusão de novos algoritmos de balanceamento poderá ser feita

sem a necessidade de alterações significativas do projeto.

O protótipo foi codificado em linguagem Java, versão 1.6 e utilizou o sistema gerenciador de

banco de dados MySQL versão 5.0.45. A linguagem Java foi escolhida para que o sistema seja

portável entre diversas plataformas de hardware e sistemas operacionais e também para que o

MBF possa ser compatível com programas que se encontram em operação no Centro de

Gerenciamento da Navegação Aérea (CGNA).

6. Experimentos e resultados

Os experimentos realizados neste estudo de caso utilizaram duas bases de dados. A primeira

base de dados é a mesma que Souza et al (2008) utilizou em seus próprios testes. Estes dados

compreendem um conjunto de planos de voos repetitivos (RPL) e de planos de voos

apresentados (FPL) totalizando 11540 movimentos. Estes movimentos aéreos ocorreram nos

dias 30 de abril e 02 de maio de 2008 e representam alto e baixo fluxo, respectivamente.

A segunda base de dados compreende um conjunto de RPL e FPL que ocorreram nos dias 15 e

19 de março de 2009 e somam 13683 movimentos aéreos.

É importante considerar que as bases de dados de 2008 e 2009 apresentam apenas os

movimentos aéreos. Dados referentes a condições meteorológicas, auxílios à navegação, bem

como métodos de seqüenciamento não foram contemplados neste trabalho. No caso da base de

2008, é possível observar algum efeito sazonal relacionado ao feriado de primeiro de maio,

81


considerando que os movimentos podem ter sido transferidos para o dia anterior (30 de maio),

entretanto para a base de 2009 não se observa este efeito, já que os testes foram realizados com

base nos dados que foi possível obter junto ao CGNA.

O emprego da base de 2008 para os experimentos busca repetir os experimentos de Souza et al.

(2008), porém utilizando as novas implementações de algoritmos para o modelo com o objetivo

de se chegar aos mesmos resultados obtidos nos testes da primeira versão que utilizava somente

o algoritmo de Edmonds-Karp para validar as novas implementações de algoritmos de fluxo

máximo. Para estes testes, foi utilizada a representação parcial do espaço aéreo, constante da

primeira versão, com balanceamento para somente os setores da FIR Brasília.

A base de dados de 2009 foi utilizada para que o modelo pudesse trabalhar com uma

configuração do espaço aéreo que era distinta da configuração de 2008, pois em 2007 o

Departamento de Controle do Espaço Aéreo – DECEA alterou a configuração do espaço aéreo,

transferindo os setores 13 e 14 da FIR Brasília para a FIR Curitiba. Além disto, a base de 2008

continha somente os setores da FIR Brasília. Assim, em razão da nova versão do MBF utilizar

uma representação integral do espaço aéreo, o modelo foi submetido a testes com a base de 2009

que contempla todos os quarenta e seis setores do espaço aéreo.

Foram aplicados dois testes, um para cada base de dados. O primeiro teste tomou por base os

experimentos aplicados na representação de Souza et al. (2008) para somente a FIR Brasília,

com objetivo de validar as implementações dos algoritmos de Dinic, FIFO Preflow Push e

Highest Label Preflow Push em comparação com a implementação do algoritmo de Edmonds-

Karp. Estes testes utilizaram os dados do ano de 2008.

O segundo teste, que utilizou a base de dados de 2009, foi realizado com objetivo de avaliar o

comportamento dos algoritmos para a representação total do espaço aéreo brasileiro.

6.1 Planejamento do estudo de caso

As fases deste estudo de caso foram organizadas para cada uma das representações do espaço

aéreo brasileiro. As fases encontram-se descritas como se segue:

O estudo de caso da representação de Souza et al. (2008) é realizado em cinco fases conforme

descrito a seguir: (1) Seleção dos dias de alto e baixo fluxo de movimento do ano de 2008; (2)

Definição das políticas de distribuição (igualitária ou priorizada); (3) Seleção do algoritmo a ser

82


empregado no balanceamento (Edmonds-Karp, Dinic, FIFO Preflow Push e Highest Label

Preflow Push); (4) Realização dos testes: Implica na execução do módulo sobre a base de dados

para computar as respostas de balanceamento de cada algoritmo e (5) Comparação dos

resultados de balanceamento que cada algoritmo sugeriu em cada política nos dias de alta e

baixa frequência de fluxo.

O estudo de caso para a representação integral possui seis fases: (1) Seleção dos dias de alto e

baixo fluxo de movimento do ano de 2009; as fases (2), (3), (4) e (5) são idênticas ao teste para

a representação de Souza et al. (2008); (6) Comparação dos resultados de ocupação de setores

que cada algoritmo sugeriu.

Os resultados computados foram analisados por meio de tabelas, que permitem comparar os

intervalos máximos e mínimos sugeridos pelo sistema, com aqueles que foram praticados no

mesmo período sem a utilização do sistema. As medidas restritivas no fluxo foram aplicadas em

um conjunto de cinco horários, previamente separados. A simulação da ocupação dos setores foi

feita através do submódulo de persistência e a dinâmica das aeronaves foi simulada mediante a

obtenção dos voos ocorridos em intervalos que correspondem ao tempo médio de trânsito em

cada setor de controle. Com base na experiência dos profissionais que atuam em gerenciamento

de fluxo, preferiu-se priorizar, para efeito de testes, o fluxo a partir da terminal São Paulo. O

restante da folga operacional foi distribuído igualmente entre os demais setores de controle.

Embora o valor de capacidade dos setores possa variar para melhor planejamento e segurança

dos voos, para efeito de testes neste estudo, o valor nominal de capacidade para todos os setores

de controle foi fixado em quatorze aeronaves,

O modelo trabalha com tempos de espera em solo, assim nas tabelas 1, 2, 3, 4, 5, 6, 7 e 8 são

apresentadas as sugestões de valores de minutos e frações de minutos para os intervalos entre

decolagens. porém os controladores humanos sempre determinam valores inteiros para estes

intervalos. Estes valores são apenas sugestões do MBF, que é um dos módulos do

SISCONFLUX, estes valores alimentam o Módulo de Acompanhamento e Previsão de Cenário

(MAPC) que posteriormente alimenta o Módulo de Avaliação e Apoio à Decisão (MAAD), de

modo que ao final do processo valores inteiros poderão ser sugeridos pelo SISCONLUX.

83


6.2 Ambiente de execução dos testes

Os experimentos foram executados utilizando o sistema operacional Linux Ubuntu para Desktop

(9.04), com o kernel 2.6.28-11.37, em uma máquina Intel Pentium Dual Core 1.60 GHz com

2GB de memória RAM, no Laboratório do Grupo de Modelo Computacional em Transporte

Aéreo - TransLab da Universidade de Brasília.

6.3 Estudo de caso para a representação de Souza et al. (2008)

Este estudo concentra os testes na representação para a FIR Brasília. São utilizadas as duas

políticas de distribuição para as situações de alto e baixo fluxo de tráfego.

6.3.1 Caso 1 - situação de alto fluxo

Na política igualitária, a folga dos setores é dividida igualmente entre as réplicas de um mesmo

setor, cada réplica pertencente a um fluxo distinto.

Tabela 1 - Distribuição igualitária para alto fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:25

6,5 min.

7,5 min.

9,6 min. 21:13 9,2 min. 10,0 min. 9,6 min. 21:45 6,5 min. 7,5 min. 19,1 min. 22:08 6,5 min. 7,5 min. 9,6 min. 22:32 6,5 min. 7,5 min. 6,4 min.

A Tabela 1 apresenta os intervalos de decolagem em minutos. Para quase todas as projeções, a

simulação indica que é possível reduzir os intervalos ocorridos para um valor entre 6,5 e 7,5

minutos, sem ultrapassar as restrições de ocupação dos setores.

84


Tabela 2 - Distribuição priorizada para alto fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:25

3,2 min.

3,8 min.

9,6 min. 21:13 4,3 min. 5 min. 9,6 min. 21:45 4,3 min. 5 min. 19,1 min. 22:08 4,3 min. 5 min. 9,6 min. 22:32 3,2 min. 3,8 min. 6,4 min.

Na Tabela 2, é possível observar que para a política de distribuição priorizada, o intervalo entre

decolagens cai ainda mais, isto indica maior cadência de saída de aeronaves pelo fato da folga

operacional dos setores dos fluxos priorizados não ser compartilhada com os demais fluxos.

6.3.2 Caso 2 - situação de baixo fluxo

Para a política de distribuição igualitária com baixa frequência de fluxo, conforme a Tabela 3,

observa-se que as taxas utilizadas poderiam ser menores na maioria dos casos, exceto no horário

de 22h32 min., que ficou dentro do intervalo sugerido. Isto indica que os controladores humanos

operaram em uma taxa ideal, ou seja, próxima ao fluxo máximo.

Tabela 3 - Distribuição igualitária para baixo fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:25

6,5 min.

7,5 min.

13,6 min. 21:13 6,5 min. 7,5 min. 10,6 min. 21:45 4,3 min. 5 min. 19,1 min. 22:08 6,5 min. 7,5 min. 10,6 min. 22:32 7,0 min. 9,0 min. 8,4 min.

Na distribuição priorizada, apresentada na Tabela 4, os intervalos são reduzidos devido ao

aumento da taxa de fluxo que parte da terminal São Paulo. Neste caso, a diminuição do intervalo

de decolagem a partir da terminal pode causar impactos possivelmente não desejados, pois esta

priorização se reflete no aumento dos intervalos de decolagens a partir de outras TMA que

compartilham setores críticos com a TMA São Paulo.

85


Tabela 4 - Distribuição priorizada para baixo fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:25

3,2 min.

3,8 min.


6.4 Estudo de caso para a representação integral do espaço aéreo

Este estudo focaliza testes para a representação integral do espaço aéreo como proposta de

atualização da versão do MBF. Emprega-se também as duas políticas de distribuição para as

situações de alto e baixo fluxo de tráfego.


Na Tabela 5, os valores indicam que a taxa de saída da TMA São Paulo praticada pelos

controladores humanos para o horário de 13:14 ocorreu dentro da faixa sugerida pelo modelo,

entretanto para todos os outros horários, o modelo sugeriu intervalos menores entre decolagens

em comparação aos praticados pelos controladores.

Tabela 5 - Distribuição igualitária para alto fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:14

5,5 min.

7,5 min.


Na Tabela 6, é possível observar a redução dos intervalos entre de decolagens sugeridos, o que

permite o aumento da cadência de saída de aeronaves da Terminal São Paulo devido à política

priorizada. O modelo sugeriu faixas com intervalos menores de decolagens para todos os

setores.

86


Tabela 6 - Distribuição priorizada para alto fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:14

3,5 min.

4,2 min.



A Tabela 7 apresenta as faixas com intervalos entre decolagens para baixo fluxo e política de

distribuição igualitária. Para todos os horários, o modelo sugeriu faixas com intervalos menores

que os praticados pelos controladores humanos, isto indica que uma maior quantidade de

aeronaves poderia sair da TMA São Paulo sem causar congestionamentos ou saturação nos

setores de controle.

Tabela 7 - Distribuição igualitária para baixo fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:14

5,8 min.

6,8 min.


A Tabela 8 contém as faixas de intervalos de decolagens para baixo fluxo em política priorizada.

Os dados obtidos mostram redução nos intervalos de saída de aeronaves da terminal, induzidos

pela política priorizada de fluxo.

87


Tabela 8 - Distribuição priorizada para baixo fluxo da terminal São Paulo (TMA-SP)

Horário

Intervalo mín.

sugerido

Intervalo máx.

sugerido

Intervalo min.

ocorrido

13:14

3,6 min.

4,2 min.


6.5 Análise de distribuição de carga de fluxo nos setores de controle

Este estudo visa apresentar as formas de distribuição que cada algoritmo sugeriu. O estudo levou

em conta os fluxos que chegam ou saem da Área Terminal São Paulo. O estudo mostra impactos

nos setores adjacentes a esta TMA. Na figura 2, é possível observar os setores adjacentes à

TMA São Paulo: setores BS01 e BS02 da FIR Brasília e os setores CW03, CW04, CW08,

CW14 que pertencem à FIR Curitiba. Pelos setores adjacentes à TMA-SP, saem ou chegam

aeronaves aos aeroportos que se encontram nesta TMA, conforme as rotas modeladas no MBF.

Figura 2: TMA-SP e setores adjacentes.

Alguns aspectos particulares do espaço aéreo ainda não foram considerados na representação do

espaço aéreo do modelo. A Figura 2 apresenta o setor CW14, porém nesta região existe a TMA-

RJ que se liga diretamente à TMA-SP, entretanto a representação do modelo ainda não trata

rotas que passam diretamente entre duas áreas terminais sem passar por um setor de controle.

Esta modificação encontra-se em andamento para as próximas versões do modelo.

A distribuição de fluxo de tráfego aéreo é apresentada por meio de tabelas de resultados com as

sugestões de cada algoritmo. As células com valores de cada tabela indicam a quantidade de

aeronaves nos setores adjacentes à Área Terminal São Paulo.

88


Este estudo considerou os movimentos aéreos ocorridos nos dias 15 e 19 de março de 2009, que

representam dias de baixo e alto fluxo respectivamente. Estes dados de movimentos aéreos

foram colhidos junto ao CGNA.

O estudo emprega apenas a política de distribuição priorizada de folga dos setores, por

considerar que a priorização de fluxo ocorre em situações críticas de gerenciamento de fluxo.

As sugestões dos algoritmos apresentam quantidades de aeronaves por setor tomando por base

somente a medida restritiva de espera em solo, a única adotada pelo MBF, neste sentido, os

valores podem ficar bem aquém dos valores da capacidade máxima de quatorze aeronaves

fixada no modelo. Futuras versões do MBF poderão adotar outras medidas restritivas, como

espera em rota, redução de velocidade e vetoração para atrasos em rota.


A tabela 9 apresenta os valores de ocupação dos setores para o horário de 21:09h para

distribuição priorizada no dia de alto fluxo. Cada algoritmo faz uma sugestão diferente de

distribuição de aviões dentro dos setores adjacentes à TMA-SP.

Tabela 9 - Ocupação proposta pelos algoritmos (alto fluxo em política priorizada)

Número de aeronaves por setor

Algoritmo

BS01

BS02

CW03

CW04

CW08

CW14

Edmonds-Karp 7 5 3 4 4 3

Dinic 6 6 4 2 4 4

FIFO Preflow Push 8 4 3 2 5 4

Highest Label Preflow Push 8 4 3 2 5 4

É possível observar que e a ocupação dos setores adjacentes à TMA São Paulo registra um total

de vinte e seis aeronaves de acordo com a sugestão do algoritmo de Edmonds-Karp.

Para o algoritmo de Dinic, a quantidade total de aeronaves que ocupam os setores adjacentes à

TMA São Paulo é de vinte e seis aeronaves. Porém o algoritmo de Dinic sugeriu uma ocupação

diferente para estes setores adjacentes, comparado com o algoritmo de Edmonds-Karp. Observa-

se que ocorreu um equilíbrio maior de fluxo entre os setores 1 e 2 da FIR Brasília e aumento de

89


fluxo para as rotas que compartilham os setores 3 e 14 da FIR Curitiba com redução de fluxo

para as rotas que compartilham o setor 4 da mesma FIR.

No caso do algoritmo FIFO Preflow Push, a sugestão também apresenta vinte e seis aeronaves

nos setores adjacentes da TMA-SP, porém ocorreu aumento do fluxo no setor 1 da FIR Brasília

com um desequilíbrio maior em relação ao setor 2 da mesma FIR.

Nos resultados para o algoritmo Highest Label Preflow Push, os setores adjacentes à TMA-SP

são ocupados de forma idêntica ao que foi sugerido pelo algoritmo FIFO Preflow Push com

pequenas diferenças de valores para alguns setores que não são adjacentes à TMA-SP, em razão

disto, não estão impressos na tabela.


A tabela 10 apresenta os valores de ocupação de setores para o horário de 21:09h para

distribuição priorizada no dia de baixo fluxo.

Tabela 10 - Ocupação proposta pelos algoritmos (baixo fluxo em política priorizada)

Número de aeronaves por setor

Algoritmo

BS01

BS02

CW03

CW04

CW08

CW14

Edmonds-Karp 3 1 1 1 1 1

Dinic 2 1 2 1 1 1

FIFO Preflow Push 2 1 1 2 1 1

Highest Label Preflow Push 2 1 1 2 1 1

Na Tabela 10, é possível observar uma população de oito aeronaves que ocupam os setores

adjacentes à TMA São Paulo, de acordo com a sugestão do algoritmo de Edmonds-Karp para o

dia de baixo fluxo.

A ocupação sugerida pelo algoritmo Dinic, produziu um cenário com melhor distribuição da

população de aeronaves nos setores adjacentes à TMA-SP para o dia de baixo fluxo. Isto produz

menor carga de fluxo no setor 1 da FIR Brasília com redistribuição para o setor 3 da FIR

Curitiba.

90


A ocupação sugerida pelo algoritmo FIFO Preflow Push é diferente das ocupações obtidas pelos

algoritmos Edmonds-Karp e Dinic. Em comparação à sugestão do algoritmo de Dinic, a mesma

população de oito aeronaves foi redistribuída dentro dos setores à Área Terminal São Paulo,

porém com aumento da carga de fluxo para o setor 4 da FIR Curitiba.

A resposta do algoritmo Highest Label Preflow Push para ocupação em baixo fluxo, é idêntica à

sugestão gerada pelo algoritmo FIFO Preflow Push quanto à população de aeronaves nos

setores adjacentes. As saídas diferem apenas nas quantidades entre os setores 5 e 9 da FIR

Brasília, porém ambos não são adjacentes à TMA-SP e com isto não se encontram descritos na

Tabela 10.

Conclusões

Com base nos testes realizados para a representação de Souza et al. (2008), as implementações

dos algoritmos de Dinic, FIFO Preflow Push e Highest Label Preflow Push foram validadas

com sucesso, pois foram obtidos aos mesmos resultados que Souza et al. (2008) em seus testes,

provando que os algoritmos atingem o valor máximo de fluxo.

Nos testes para a representação total do espaço aéreo, verificou-se que o modelo sugeriu taxas

menores entre decolagens para a maioria dos horários em comparação com as separações

praticadas pelos controladores. Isto indica que um maior quantitativo de aeronaves poderia

decolar sem que os setores de controle fossem levados ao estado de congestionamento ou

saturação, conforme as sugestões de balanceamento realizadas por todas as implementações de

algoritmos de fluxo máximo.

As novas implementações de algoritmos de fluxo máximo em rede produziram diferentes

distribuições de quantidades de aeronaves nos setores de controle, induzidas pelo valor do fluxo

máximo. Este fato permite uma análise comparativa das possíveis ocupações de setores,

conferindo ao MBF uma nova característica que viabiliza a possibilidade de sugerir decolagens

com destino a setores específicos e não apenas o valor de tempo entre decolagens, conforme

constava na versão de Souza et al. (2008). Esta diferença de cenários aéreos sugeridos pelo MBF

pode alimentar o Módulo de Acompanhamento e Previsão de Cenários que permitirá a análise

de comparação entre diferentes possibilidades de balanceamento e distribuição do fluxo.

Convém ressaltar que o modelo proposto não trata restrições de espaço em pátio para

91


acomodação de aeronaves em solo, bem como os demais aspectos da capacidade aeroportuária.

Assim, mesmo que as sugestões do MBF evitem congestionamentos no espaço aéreo, aeronaves

que sigam para um determinado aeroporto podem ter de executar procedimentos de espera em

voo, em razão de falta de pátio para executar manobras em solo. Deste modo, o MBF realiza o

balanceamento de fluxo considerando apenas os recursos de controle de tráfego aéreo.

O modelo continua em constante aprimoramento. O SISCONFLUX é um protótipo de sistema

de gestão do fluxo de tráfego aéreo. O serviço de gerenciamento do fluxo de tráfego aéreo é uma

tarefa muito complexa que envolve muitas variáveis entre as quais as condições meteorológicas,

condições operacionais de pistas, equipamentos e auxílio à navegação, disponibilidade de pátio,

variáveis estas que ainda não puderam ser contempladas neste protótipo. Como trabalhos

futuros, consta previsto a implementação do algoritmo Excess Scaling Preflow Push, o emprego

de técnicas de fluxo concorrente e a realização de testes do modelo numa base de dados que

contemple maiores volumes de movimentos aéreos

Referências

Almeida, C. R. F., Leite, A. F., Weigang, L., Melo, A. C. M. A., “Egalitarian and Prioritized Balancing Distribution Policies Study Using Dinic's Maximum Flow Algorithm,” 14th Air Transport Research Society (ATRS) World Conference, Porto, Portugal, The proceedings of ATRS 2010. v.1. p.1 - 15, 2010.

Alves, D. P. (2006). Modelagem usando Aprendizagem por Reforço em Sistemas Multi-agentes para um Ambiente Controlado em Nível Meta.

Ball, M. O., Hoffman, R., Odoni, A., and Rifkin, R. (2003). "A stochastic integer program with dual network structure and its application to the ground holding problem." Institute for Operations Research and the Management Sciences (INFORMS), 167-171.

A. M. F. Crespo, L. Weigang, B. B. Souza, and A. C. M. Melo, “Sistema Distribuído de Apoio a Decisão Aplicado ao Gerenciamento de Tático de Fluxo de Tráfego: Caso CINDACTA I,” VI SITRAER, 2007.

DIB, M. V., WEIGANG, L., and MELO, A. C. (2007). "Approach of Balancing of the Negotiation among Agents in Traffic Synchronization." Revista IEEE América Latina, 5, 338-345.

Dinic, E. A. (1970). "Algorithm for solution of a problem of maximum flow in a network with power estimation." Sovietic Mathematics Docklady, 11, 1277-1280.

Edmonds, J., and Karp, R. M. (1972). "Theoretical Improvements in Algorithmic Efficiency for Network Flow Problems." J. ACM, ACM, New York, NY, USA, 19, 248-264.

Rizzi, J. A. (2003). Um Modelo Matemático de Auxílio para o Problema de Gerenciamento de Fluxo de Tráfego Aéreo.

R. K. Ahuja, T. L. Magnanti, and J. B. Orlin, Network Flows: Theory, Algorithms, and Applications. Prentice Hall, 1993.

Rolim, T. H., Almeida, P. T., and Alves, R. A. (2004). O controle do espaço aéreo. Souza, B. B., Weigang, L., and Crespo, A. M. (2008). "Implementação de modelo para balanceamento de fluxos

aplicado ao gerenciamento de tráfego aéreo." Transportes, 16, 48-58. Weigang, L., Alves, C. J., and Omar, N. (1997). "An expert system for Air Traffic Flow Management." Journal of

Advanced Transportation, 6:640-647, 31, 343361. Weigang, L., Crespo, A. M., Souza, B. B., and Alves, D. P. (2008). "Decision support system in tactical air traffic

flow management for air traffic flow controllers." Journal of Air Transport Management, 14, 329-336. Zhang, Z., Gao, W., and Wang, L. (2005). "Short-term flow management based on dynamic flow programming

network." Journal of the Eastern Asia Society for Transportation Studies, 6:640-647, 640-647.

jtl v05n02p05

Documents