面向航班备降预测的非平衡飞行记录生成式增强：一种多目标优化框架
机器学习
2026-04-23 v1
摘要
航班备降是航空领域中罕见但影响重大的事件，因此对其可靠预测对于安全和运行效率至关重要。然而，历史记录中备降事件的稀缺阻碍了用于预测备降的机器学习模型的训练。本研究通过探索生成模型如何利用合成备降记录来增强历史飞行数据，以改进模型训练并提高预测准确性，从而解决这一稀缺性问题。我们提出了一种多目标优化框架，并结合自动超参数搜索，为三种深度生成模型确定最优配置：表格变分自编码器（TVAE）、条件表格生成对抗网络（CTGAN）和 CopulaGAN，并以高斯 Copula（GC）模型作为统计基线。通过一个包含真实性、多样性、运行有效性、统计相似性、保真度和预测效用的六阶段评估框架，检验了合成数据的质量。结果表明，优化后的模型显著优于未优化的对应模型，并且与仅在真实数据上训练的模型相比，合成数据增强显著提升了备降预测性能。这些发现证明了超参数优化的生成模型在推进航空运输中罕见事件预测建模方面的有效性。
引用
@article{arxiv.2604.20288,
title = {Generative Augmentation of Imbalanced Flight Records for Flight Diversion Prediction: A Multi-objective Optimisation Framework},
author = {Karim Aly and Alexei Sharpanskykh and Jacco Hoekstra},
journal= {arXiv preprint arXiv:2604.20288},
year = {2026}
}
备注
12 pages, 18 figures, 21 files, paper under review