从时间序列到状态：面向航空流量预测的情况感知建模
机器学习
2026-04-17 v3
摘要
准确预测终端空域（TA）中的航空流量对于主动的航空流量管理（ATM）至关重要。然而，现有数据驱动方法主要依赖基于时间序列的预测范式，忽略了如实时动力学和与空域边界接近程度等关键的飞机状态信息。为此，我们提出了\textit{AeroSense}，一种面向航空流量预测的直接状态到流的建模框架。不同于传统的基于时间序列的方法首先将飞机轨迹聚合为宏观流序列再进行建模，AeroSense 明确将实时空域情况表示为\textit{一组动态的飞机状态}，从而直接处理可变数量的飞机作为输入。具体而言，我们引入一种情况感知状态表示，使 AeroSense 能够直接从飞机的微观状态感知终端空域的瞬时情况。此外，我们设计的模型架构包含掩码自注意力机制以捕获飞机之间的相互作用，并配备两个解耦的预测头以建模TA中两个关键功能区域的异构流动力学。对大规模真实世界机场数据集上的广泛实验表明，AeroSense 始终实现了最新的性能，验证了直接建模微观飞机状态在预测保真度上显著高于基于时间序列的基线方法。此外，所提出的框架在峰值交通时期表现出卓越的鲁棒性，在日间段多目标评估中实现了Pareto最优性能，并通过注意力可视化提供了有意义的可解释性。
引用
@article{arxiv.2604.11198,
title = {From Time Series to State: Situation-Aware Modeling for Air Traffic Flow Prediction},
author = {Anqi Liu and Jiangtao Zhao and Guiyuan Jiang and Feng Hong and Yanwei Yu and Bin Wang},
journal= {arXiv preprint arXiv:2604.11198},
year = {2026}
}
备注
There are issues with the authors of the paper I submitted, as well as problems with the content of the article, so it needs to be withdrawn. Thank you for your understanding