
Indexado en
Licencia y uso

Análisis de autorías institucional
Perez-Castan, Javier AlbertoAutor (correspondencia)Perez-Sanz, LAutor o CoautorSerrano-Mira, LidiaAutor o CoautorGómez-Comendador, Víctor FernandoAutor (correspondencia)Design of an ATC Tool for Conflict Detection Based on Machine Learning Techniques
Publicado en:Aerospace. 9 (2): 67- - 2022-02-01 9(2), DOI: 10.3390/aerospace9020067
Autores: Perez-Castan, Javier Alberto; Perez-Sanz, Luis; Serrano-Mira, Lidia; Saez-Hernando, Francisco Javier; Rodriguez Gauxachs, Irene; Gomez-Comendador, Victor Fernando
Afiliaciones
Resumen
Given the ongoing interest in the application of Machine Learning (ML) techniques, the development of new Air Traffic Control (ATC) tools is paramount for the improvement of the management of the air transport system. This article develops an ATC tool based on ML techniques for conflict detection. The methodology develops a data-driven approach that predicts separation infringements between aircraft within airspace. The methodology exploits two different ML algorithms: classification and regression. Classification algorithms denote aircraft pairs as a Situation of Interest (SI), i.e., when two aircraft are predicted to cross with a separation lower than 10 Nautical Miles (NM) and 1000 feet. Regression algorithms predict the minimum separation expected between an aircraft pair. This data-driven approach extracts ADS-B trajectories from the OpenSky Network. In addition, the historical ADS-B trajectories work as 4D trajectory predictions to be used as inputs for the database. Conflict and SI are simulated by performing temporary modifications to ensure that the aircraft pierces into the airspace in the same time period. The methodology is applied to Switzerland’s airspace. The results show that the ML algorithms could perform conflict prediction with high-accuracy metrics: 99% for SI classification and 1.5 NM for RMSE.
Palabras clave
Indicios de calidad
Impacto bibliométrico. Análisis de la aportación y canal de difusión
El trabajo ha sido publicado en la revista Aerospace debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2022, se encontraba en la posición 8/34, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Engineering, Aerospace.
Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 1.68. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 14 Nov 2024)
Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:
- Media Ponderada del Impacto Normalizado de la agencia Scopus: 1.3 (fuente consultada: FECYT Feb 2024)
- Field Citation Ratio (FCR) de la fuente Dimensions: 5.41 (fuente consultada: Dimensions Jul 2025)
De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-07-26, el siguiente número de citas:
- WoS: 11
- Scopus: 13
- Google Scholar: 15
Impacto y visibilidad social
Análisis de liderazgo de los autores institucionales
Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (PEREZ CASTAN, JAVIER ALBERTO) y Último Autor (GOMEZ COMENDADOR, VICTOR FERNANDO).
los autores responsables de establecer las labores de correspondencia han sido PEREZ CASTAN, JAVIER ALBERTO y GOMEZ COMENDADOR, VICTOR FERNANDO.