Juan Gerardo Muros Anguita, Óscar Díaz Olariaga
La planificación aeroportuaria depende en gran medida de los niveles de actividad que se prevén para el futuro y, para planificar las instalaciones e infraestructuras de un sistema aeroportuario y poder satisfacer las necesidades futuras, es esencial predecir el nivel y la distribución de la demanda, tanto de pasajeros como de carga aérea. Para este trabajo se realizó un pronóstico, a corto plazo (5 años), de la demanda de transporte de carga aérea, aplicado a un caso de estudio concreto (Colombia), teniendo en cuenta el periodo pandémico más severo (2020). Para realizar el pronóstico se presenta un planteamiento basado en métodos de Machine Learning/ Deep Learning ML/DL de redes neuronales convolucionales, que permiten análisis no lineales espacio-temporales, como los espacios de multivariables y de multisteps temporales. Estas técnicas presentan ventajas frente a los métodos clásicos estadísticos, ya que los métodos estadísticos solo permiten análisis lineales y limitados en sus predicciones temporales. El análisis desarrollado establece la longitud óptima del periodo de predicción; por otro lado, la metodología propuesta permite identificar las variables socioeconómicas más relevantes en la predicción de la demanda de carga aérea, a partir del análisis variacional de diferentes combinaciones de las variables. Los resultados muestran que la demanda de carga aérea internacional es fuertemente dependiente del GDP y el PCG (Per Cápita GDP), mientras que la demanda de carga aérea doméstica depende significativamente del PCG. Los resultados muestran, para el país-caso de estudio, una muy rápida recuperación de la demanda de carga aérea a índices de la pre pandemia, comportamiento ya encontrado en otros estudios e investigaciones.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados