面向任意着陆地点的学习：航空轨迹的可迁移生成模型
机器学习
2025-11-07 v1
摘要
获取轨迹数据是开发和验证空域管理(ATM)解决方案的关键要求，但许多次要和区域机场面临严重的数据稀缺问题。这限制了机器学习方法的适用性以及大规模仿真或“情景分析”的能力。本文我们探讨了在数据稀缺机场上是否可以使用迁移学习将在数据丰富机场上训练的生成模型有效地迁移到数据稀缺机场。我们将最先进的扩散模型和流匹配模型适用于航空领域，并评估它们在苏黎世(来源)和都柏林(目标)着陆轨迹数据集之间的迁移性。模型在苏黎世上预训练，在都柏林上微调，使用量化为0%至100%的当地数据。结果表明，扩散模型只需5%的都柏林数据即可实现竞争性能，约20%时达到基线水平，始终在各项指标和视觉检查中优于从头训练的模型。潜在流匹配和潜在扩散模型也受益于预训练，尽管收益更为不稳定，而流匹配模型显示出较弱的泛化能力。尽管在捕获罕见轨迹模式方面仍面临挑战，这些发现表明迁移学习有潜力显著降低轨迹生成在ATM中的数据需求，使即使在历史记录有限的环境中也能实现真实的合成数据生成。
引用
@article{arxiv.2511.04155,
title = {Learning to Land Anywhere: Transferable Generative Models for Aircraft Trajectories},
author = {Olav Finne Praesteng Larsen and Massimiliano Ruocco and Michail Spitieris and Abdulmajid Murad and Martina Ragosta},
journal= {arXiv preprint arXiv:2511.04155},
year = {2025}
}