Pronóstico pospandemia de tráfico aéreo. Caso de Colombia

La planificación aeroportuaria, y por lo tanto el desarrollo de las infraestructuras aéreas, depende en gran medida de los niveles de demanda que se prevén para el futuro. Para planificar las inversiones en infraestructura de un sistema aeroportuario y poder satisfacer las necesidades futuras, es es...

Full description

Autores:
Nagera Acosta, Ana Leonilde
Lemus Franco, Exmelin Hamid
Tipo de recurso:
Masters Thesis
Fecha de publicación:
2022
Institución:
Universidad Santo Tomás
Repositorio:
Repositorio Institucional USTA
Idioma:
spa
OAI Identifier:
oai:repository.usta.edu.co:11634/48350
Acceso en línea:
http://hdl.handle.net/11634/48350
Palabra clave:
airport
air transport
forecast
demand
Bayesian Structural Time Series
Ingeniería Civil
Aeroportuaria
Infraestructura-Áereas
Pasajeros
aeropuerto
transporte aéreo
pronóstico
demanda
series de tiempo estructural Bayesiano.
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
Description
Summary:La planificación aeroportuaria, y por lo tanto el desarrollo de las infraestructuras aéreas, depende en gran medida de los niveles de demanda que se prevén para el futuro. Para planificar las inversiones en infraestructura 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. En el presente trabajo de tesis se realizó un pronóstico, a medio-largo plazo (10 años), de la demanda de pasajeros y de carga aérea, aplicado a un caso de estudio concreto, Colombia, y en donde se tuvo en cuenta el impacto en el tráfico aéreo del periodo más severo de la pandemia del COVID-19, año 2020, y el periodo de transición a la pospandemia (2021). Para conseguir tal objetivo, y como planteamiento metodológico, se desarrolla un modelo del tipo Bayesian Structural Time Series (BSTS), diseñado para trabajar con datos de series temporales, y muy utilizado para la selección de características, la previsión de series temporales, la predicción inmediata, y la inferencia del impacto causal. De los resultados obtenidos se puede destacar dos aspectos relevantes, en primer lugar, que tanto la demanda como la tendencia de crecimiento de la misma se recuperará muy pronto (en solo un par de años), con respecto al año prepandemia-2019, en el caso de estudio analizado. Y, en segundo lugar, el modelo presenta valores MAPE muy aceptables (de entre 1% y 7%, según la variable a pronosticar) lo que convierte al método BSTS en una metodología alternativa viable para el cálculo de pronóstico de tráfico aéreo.