随着航空运输的不断发展,航班倾向于广播其当前位置,以便安全有效地进行空中交通管制(Zhang et al.2023).收集的飞行轨迹是空中交通管理最重要的数据源之一,越来越受到学术界和工业界的关注。近年来的研究表明,深度表示学习已成为主导技术,并在各种飞行轨迹中取得了显著的性能。相关任务,如轨迹预测(Liu 和 Hansen 2018;Wu et al.2022;Zhang et al.2023;Guo et al.2024)、飞行监测(Zhang et al.2016;Fernández et al.2019)和异常检测(Olive 和 Basora 2020;Memarzadeh,Matthews 和 Templin 2022;Memarzadeh、Matthews 和 Weckler 2023).然而,这些工作要么利用手工制作的特征,要么为一项指定的任务设计表示模型。
图 1:Flight2VEC 的动机
共同学习飞行轨迹的统一表示可能有利于提高各种任务的性能,从而激励这项工作。
在车辆和人类移动轨迹上已经对学习不同任务的统一轨迹表示进行了充分研究(Yao et al.2017;Li et al.2018;Chen et al.2021;江 et al.2023).深度序列模型,如递归神经网络(Yao et al.2017;Li et al.2018)和变压器(Chen et al.2021;Yao et al.2022;江 et al. 2023)用于编码时空关联并将原始轨迹转换为通用表示向量。由于两个挑战,即不平衡的行为密度和 3D 空间连续性,解决方案往往很难表示飞行轨迹。
现有的飞行轨迹数据分析搜索总是需要人工的特征工程和专门的模型来完成每项任务,严重依赖领域专业知识且难以扩展。(Guo et al.2022a,2024)提出了一种基于二进制编码 (BE) 的特征表示方法进行轨迹预测,利用 Conv1D 和 Trans- former 模块来捕获轨迹点的时空特征。用于轨迹识别的 10 个相关系数特征,如油温 (OilT) 和油压。(Qin et al.2022)引入了无监督特征工程方法,将输入数据映射到潜在特征空间以进行异常检测,这些方法的局限性在于它们需要专业知识和复杂的特征工程来提取有用的信息,也有一些基于学习的方法,但它们
他们要么不加选择地对整个轨迹进行建模(Guo et al. 2024),要么只关注起飞和着陆阶段等特定部分(Fernández et al.2019;Memarzadeh, Matthews, and Templin 2022),无法自适应地识别和建模 trajectory.In 结论的信息部分,尽管现有方法在特定任务中取得了成功,但它们依赖于复杂的特征工程突出了统一方法的必要性。
轨迹表示学习(TRL)因其在增强各种下游任务方面的有效性而在数据工程界受到了极大的关注。现有方法大致可分为两类:基于道路网络的方法和基于网格的方法。基于道路网络的方法(Fu and Lee 2020;Chen et al.2021;江 et al.2023;Qian et al.2024)将轨迹映射到道路网络的节点,并学习节点的表示以生成- 然而,飞行轨迹可以在三维空间中移动,而不受道路网络的限制,这使得基于道路网络的方法适用。基于网格的方法(Yao et al.2018,2019;Li et al.2018;Yang et al.2021;Jing et al.2022)将地理空间划分为单元网格,并将轨迹映射到这些网格上以学习表示。这将使许多网格上的轨迹数据过于稀疏,从而使模型无法有效地学习轨迹表示。总体而言,目前没有专门针对飞行轨迹表示学习的工作,现有的 TRL 方法不适用于飞行轨迹。
基于补丁 Transformer.In 近年来,基于补丁的时间序列分析方法已成为主流,与逐点处理方法相比,这些模型不仅提高了效率,而且表现出了显着的性能改进,揭示了通过补丁增强局部语义建模的重要性.例如,PatchTST(Nie et al.2022)将每个时间序列分割成补丁,并采用多层感知器 (MLP) 将补丁嵌入馈送到该方法还利用基于掩码的无监督预训练来学习可以推广到各种下游任务的表示,继 PatchTST 之后,一系列基于补丁的时间序列 Transformer 模型在各种下游任务中不断树立新的标杆,如预测(Wang et al.2024;Chen et al.2024)、分类(Li、Li 和 Yan 2024)和异常检测(Yang et al.2023)。值得注意的是,HDMixer(Huang et al.2024)揭示了补丁的重要性然而,这些方法并不能解决行为密度不平衡的问题,即无法有效捕捉飞行轨迹中稀疏但关键的行为。
x_(t)=[lon_(i),lat_(i),alt_(i),V_(lon_(i)),V_(lat_(i)),V_(alt_(i))],x_{t}=\left[l o n_{i}, l a t_{i}, a l t_{i}, V_{l o n_{i}}, V_{l a t_{i}}, V_{a l t_{i}}\right],
其中 lon_(i),lat_(i)l o n_{i}, l a t_{i} ,和 alt_(i)a l t_{i} 分别表示飞机的经度、纬度和高度,属性 V_("lon "_(i))V_{\text {lon }_{i}} 、 V_(lat_(i))V_{l a t_{i}} 和 V_(alt_(i))V_{a l t_{i}} 分别表示纵向、纬度和高度维度中的速度分量。