航空器轨迹数据在潜在空间的增广
机器学习
2025-09-29 v3
摘要
航空器轨迹建模在空中交通管理（ATM）中发挥关键作用，对各种下游任务（包括冲突检测和着陆时间预测）也至关重要。通过添加合成生成的轨迹数据进行数据集增广，是发展更健壮的航空器轨迹模型并确保轨迹数据集充足且平衡所必需的。我们提出一种新型框架，称为 ATRADA，用于航空器轨迹数据集增广。在该框架中，Transformer 编码器学习原始轨迹数据集中的潜在模式，将每个数据点转换为学习到的潜在空间中的情境向量。随后，对转换后的数据集应用主成分分析（PCA）进行降维，并应用高斯混合模型（Gaussian Mixture Model，简称 GMM）来拟合潜在空间数据点在降维后的概率分布。最后，从拟合的 GMM 中抽取新样本，将样本维度恢复至原始维度，并通过多层感知器（multi-layer perceptron，简称 MLP）进行解码。多个实验表明，该框架有效生成了新的高质量合成航空器轨迹数据，实验结果与若干基线方法进行比较后证实其优势。
引用
@article{arxiv.2506.07585,
title = {Aircraft Trajectory Dataset Augmentation in Latent Space},
author = {Seokbin Yoon and Keumjin Lee},
journal= {arXiv preprint arXiv:2506.07585},
year = {2025}
}