Diseño de un modelo predictivo basado en machine learning para la optimización de la asignación de slots en el aeropuerto el dorado

Abstract

Este estudio aborda la optimización de la asignación de slots aeroportuarios en el Aeropuerto Internacional El Dorado mediante la aplicación de Machine Learning. La gestión ineficiente de estos slots genera retrasos, congestión de tráfico aéreo y un uso ineficiente de la infraestructura, afectando la competitividad del aeropuerto y la operación de las aerolíneas (OACI, 2019). Actualmente, los slots se asignan mediante criterios históricos y acuerdos administrativos, lo que limita la capacidad de adaptación a cambios operativos (Serrano Rico, 2017). El proyecto propone el desarrollo de un modelo predictivo basado en Machine Learning para optimizar la asignación de slots, considerando datos históricos de tráfico aéreo, condiciones meteorológicas e infraestructura disponible. Estudios como el de Khaksar y Sheikholeslami (2017) han demostrado que la aplicación de Machine Learning en la predicción de retrasos aéreos puede mejorar significativamente la gestión del tráfico en aeropuertos. En su investigación, identificaron factores clave como la visibilidad, el viento y la hora de salida como determinantes en los retrasos aeroportuarios, lo que respalda la integración de modelos predictivos en la optimización de slots. Asimismo, la Agencia de Seguridad Aérea de la Unión Europea (EASA, 2023) respalda el uso de inteligencia artificial en la aviación, destacando su capacidad de adaptación a condiciones cambiantes. Este estudio contribuirá a la implementación de un modelo eficiente para la planificación de slots, proporcionando una base metodológica para la modernización de la gestión del tráfico aéreo en aeropuertos de alta demanda.

This study addresses the optimization of airport slot allocation at El Dorado International Airport through the application of Machine Learning. Inefficient management of these slots leads to delays, air traffic congestion, and suboptimal use of infrastructure, ultimately affecting the airport’s competitiveness and airline operations (ICAO, 2019). Currently, slots are allocated based on historical precedence and administrative agreements, which limits the system’s adaptability to operational changes (Serrano Rico, 2017). The project proposes the development of a predictive model based on Machine Learning to optimize slot allocation, taking into account historical air traffic data, weather conditions, and available infrastructure. Studies such as Khaksar and Sheikholeslami (2017) have shown that applying Machine Learning to air delay prediction can significantly improve traffic management at airports. Their research identified key factors such as visibility, wind, and departure time as determinants of airport delays, supporting the integration of predictive models into slot optimization. Likewise, the European Union Aviation Safety Agency (EASA, 2023) endorses the use of artificial intelligence in aviation, highlighting its adaptability to changing conditions. This study will contribute to the implementation of an efficient slot planning model, providing a methodological foundation for the modernization of air traffic management in high-demand airports.