jtl v05n02p05
DESCRIPTION
The Journal of Transport Literature ©2014 | BPTS | Brazilian Transport Planning SocietyTRANSCRIPT
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.
13,6 min. 21:13 2,6 min. 3,0 min. 10,6 min. 21:45 2,2 min. 2,5 min. 19,1 min. 22:08 2,6 min. 3,0 min. 10,6 min. 22:32 4,3 min. 5,0 min. 8,4 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.
6.4.1 Caso 1 - situação de alto fluxo
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.
6,7 min. 13:49 6,2 min. 7,0 min. 8,2 min. 19:24 6,7 min. 7,6 min. 15,8 min. 20:20 6,9 min. 7,7 min. 11,7 min. 21:09 6,9 min. 7,7 min. 8,5 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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.
6,7 min. 13:49 3,9 min. 4,7 min. 8,2 min. 19:24 4,2 min. 5,0 min. 15,8 min. 20:20 4,2 min. 5,0 min. 11,7 min. 21:09 3,5 min. 4,2 min. 8,5 min.
6.4.2 Caso 2 - situação de baixo fluxo
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.
12,7 min. 13:49 6,3 min. 7,3 min. 11,7 min. 19:24 5,5 min. 6,2 min. 12,8 min. 20:20 5,1 min. 6,0 min. 11,9 min. 21:09 4,3 min. 5,0 min. 18,4 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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.
12,7 min. 13:49 2,8 min. 3,6 min. 11,7 min. 19:24 2,5 min. 3,0 min. 12,8 min. 20:20 2,5 min. 3,0 min. 11,9 min. 21:09 3,0 min. 3,8 min. 18,4 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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.
6.5.1 Caso 1 - situação de alto fluxo
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.
6.5.2 Caso 2 - situação de baixo fluxo
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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
Revista de Literatura dos Transportes, vol. 5, n. 2 (2011)
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.