🤖 machine learning

Synthetic Flight Data Generation Using Generative Models

تُظهر هذه الدراسة أن النماذج التوليدية، وتحديداً المشفر التلقائي التبايني الجدولي (TVAE) ونسخة كوبولا الغاوسية (GC)، يمكنها توليد بيانات طيران اصطناعية عالية الجودة تحافظ على الخصائص الإحصائية وتتيح النمذجة التنبؤية لتأخير الرحلات الجوية بدقة تضاهي البيانات الواقعية، مما يقدم حلاً قابلاً للتوسع لتحديات ندرة البيانات والسرية في أبحاث الطيران.

المؤلفون الأصليون: Karim Aly, Alexei Sharpanskykh

نُشر 2026-04-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Karim Aly, Alexei Sharpanskykh

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طاهٍ يحاول ابتكار وصفة جديدة ومثالية لطبق يصعب إعداده للغاية. المشكلة؟ ليس لديك سوى بضعة كتب وصفات قديمة وسرية، والعديد من صفحاتها ممزقة أو مغلقة لأنها تحتوي على معلومات سرية. بالإضافة إلى ذلك، فإن الأجزاء الأكثر إثارة في الطبق (مثل توابل نادرة لا تظهر إلا مرة واحدة في كل ألف وجبة) يكاد يكون من المستحيل العثور عليها في كتبك الحالية.

هذا هو بالضبط الموقف الذي يواجه باحثي شركات الطيران اليوم. إنهم يريدون استخدام الذكاء الاصطناعي (AI) للتنبؤ بتأخير الرحلات الجوية، وإلغائها، وتحويل مساراتها، لكنهم عالقون بسبب:

ندرة البيانات الحقيقية: لا توجد سجلات كافية للأحداث النادرة (مثل تحويل مسار طائرة بسبب عاصفة).
الخصوصية صارمة: لا تشارك شركات الطيران أو الحكومات سجلات رحلاتها الحقيقية لأنها سرية.

الحل: كتاب الوصفات "المزيفة"
يتحدث هذا البحث عن فريق من الباحثين في جامعة دلفت (TU Delft) الذين قرروا بناء كتاب وصفات "اصطناعي" (مزيف). بدلاً من سرقة الأسرار الحقيقية، استخدموا ذكاءً اصطناعيًا متطورًا لتعلم أنماط الرحلات الحقيقية، ثم قاموا بكتابة الآلاف من سجلات الرحلات المزيفة والجديدة تمامًا التي تبدو وتشعرك بأنها حقيقية تمامًا، ولكنها لا تحتوي على أي معلومات خاصة فعلية.

لقد اختبروا اثنين من "طهاة الذكاء الاصطناعي" لمعرفة أيهما يمكنه كتابة أفضل الوصفات المزيفة:

طاهيا الذكاء الاصطناعي

طاهي "Gaussian Copula" (GC):
- الأسلوب: هذا الطاهي هو عبقري إحصائي. ينظر إلى المكونات ويحسب الاحتمالية الرياضية الدقيقة لكيفية مزجها.
- المزايا: ينتج بيانات مزيفة واقعية للغاية. إذا حاولت التمييز بين رحلاته المزيفة والرحلات الحقيقية، فستجد صعوبة بالغة في ذلك. إنه يشبه المزور الماهر الذي يمكنه تقليد لوحة بدقة تجعل حتى خبير الفن لا يستطيع تمييزها.
- العيوب: هو بطيء ومكلف. يمكنه طهي دفعة صغيرة فقط في كل مرة. إذا طلبت منه الطهي لملء ملعب كامل، فستنهار المطبخ.
طاهي "TVAE" (المشفّر التلقائي المتغير للبيانات الجدولية):
- الأسلوب: هذا الطاهي هو ساحر التعلم العميق. يستخدم شبكة عصبية (بنية تشبه الدماغ) لـ "تخيّل" رحلات جديدة بناءً على ما رآه من قبل.
  ��* المزايا: هو سريع وقابل للتوسع. يمكنه طهي مأدبة ضخمة لآلاف الأشخاص في الوقت الذي يستغرقه طاهي الـ GC لإعداد مقبلات واحدة. يمكنه التعامل مع مجموعات البيانات الضخمة بسهولة.
- العيوب: هو متطلب بعض الشيء. إذا لم تعطه المكونات (الميزات) الصحيحة أو التنسيق المناسب، فسيصاب بالارتباك وقد ينسى تضمين تفاصيل مهمة، مثل "تأخر المغادرات".

اختبار التذوق الكبير (التجارب)

أقام الباحثون مسابقة من أربع مراحل لمعرفة أي طاهٍ كان أفضل:

فحص التنوع: هل غطت الرحلات المزيفة جميع السيناريوهات المختلفة (مطر، ثلج، مطارات مزدحمة، سماوات فارغة)؟
- النتيجة: احتاج طاهي TVAE إلى المساعدة للقيام بذلك بشكل صحيح. في البداية، نسي إنشاء رحلات "متأخرة". ولكن بمجرد أن أعطاه الباحثون تعليمات أفضل، بدأ في إنشاء مزيج متنوع. أما طاهي GC فقد نجح في ذلك فورًا.
التشابه الإحصائي: هل تتطابق الأرقام المزيفة مع الأرقام الحقيقية؟ (على سبيل المثال، هل متوسط التأخير هو 15 دقيقة في كليهما؟)
- النتيجة: فاز طاهي GC. كانت بياناته المزيفة متطابقة إحصائيًا تقريبًا مع البيانات الحقيقية.
اختبار "كشف التزييف" (الدقة): قاموا بتدريب محققين من الذكاء الاصطناعي يشبهون البشر لمحاولة العثور على الرحلات المزيفة.
- النتيجة: كانت رحلات طاهي GC جيدة جدًا لدرجة أن المحققين ارتبكوا وفشلوا في كشفها. كانت رحلات TVAE أسهل قلي في الكشف، لكنها كانت جيدة جدًا أيضًا.
اختبار المنفعة (الجزء الأهم): هذا هو اختبار "هل يعمل؟". قاموا بتدريب نموذج تنبؤ باستخدام البيانات المزيفة فقط، ثم اختبروه على رحلات حقيقية.
- النتيّة: هنا حدث التحول في الحبكة.
  - طاهي GC صنع بيانات مزيفة جميلة ومثالية، ولكن نظرًا لأنه لم يستطع إنتاج سوى كمية صغيرة منها، لم يتعلم نموذج التنبؤ أنماطًا كافية. كان الأمر يشبه محاولة تعلم القيادة من خلال التدرب فقط في موقف سيارات صغير جدًا.
  - طاهي TVAE صنع بيانات مزيفة أقل "مثالية" بقليل، ولكنه صنع كمية هائلة منها (52,000 رحلة مقابل 2,000). ولأن النموذج حصل على الكثير من الممارسة، فقد تعلم أنماط تأخير الرحلات بشكل رائع. تنبأ نموذج TVAE بالتأخيرات الحقيقية بدقة تماثل دقة النموذج الذي تم تدريبه على بيانات حقيقية.

الخلاصة الكبرى

خلص البحث إلى أن البيانات الاصطناعية هي عامل تغيير جذري في مجال الطيران.

طاهي GC رائع لإنشاء عينات صغيرة ومثالية لدراسة تفاصيل محددة.
طاهي TVAE هو الفائز لـ تدريب نماذج الذكاء الاصطناعي لأنه يمكنه توليد كميات هائلة من البيانات، مما يسمح للذكاء الاصطناعي بتعلم الأنماط المعقدة التي تكون نادرة في العالم الحقيقي.

ببساć، لست بحاجة إلى مليون سجل رحلات حقيقي لتدريب ذكاء اصطناعي على التنبؤ بالتأخيرات. أنت تحتاج فقط إلى ذكاء اصطناعي ذكي (مثل TVAE) لإنشاء مليون سجل "مزيف" يبدو "جيدًا بما يكفي". وهذا يحل مشكلة الخصوصية ومشكلة ندرة البيانات، مما يسمح للباحثين ببناء أدوات أفضل للحفاظ على سير حركة الطيران بسلاسة في سمائنا.

المستقبل: يخطط الباحثون للاستمرار في تطوير هؤلاء الطهاة من الذكاء الاصطناعي، لجعلهم أسرع وأفضل في إنشاء سيناريوهات واقعية (مثل الطقس القاسي) التي لم تحدث بعد، مما يساعد شركات الطيران على الاستعداد للمستقبل.

إليك ملخص تقني مفصل للورقة البحثية "توليد بيانات الطيران الاصطناعية باستخدام النماذج التوليدية" من إعداد كريم علي وأليكسي شاربانسكي.

1. بيان المشكلة

تواجه صناعة الطيران تحديات كبيرة في تطوير نماذج تعلم آلي (ML) قوية بسبب ندرة البيانات والسرية.

محدودية البيانات: الوصول إلى بيانات طيران شاملة وعالية الجودة (مثل الجداول الزمنية، التأخيرات، وتحويل المسارات) مقيد بلوائح الخصوصية، والمنافسة التجارية، والحواجز الملكية.
عدم توازن الفئات: الأحداث الحرجة مثل إلغاء الرحلات، أو تحويل مساراتها، أو التأخيرات الشديدة هي أحداث نادرة في مجموعات البيانات التاريخية، مما يجعل من الصعب التنبؤ بها بدقة باستخدام تقنيات التعلم الآلي القياسية.
الحاجة إلى البيانات الاصطناعية: هناك حاجة ماسة لتوليد البيانات الاصطناعية (SDG) لتعزيز مجموعات البيانات التاريخية، وموازنة توزيع الفئات، وتوفير بديل يحافظ على الخصوصية لتدريب النماذج التنبؤية دون المساس بأمن البيانات الواقعية.

2. المنهجية

تقترح الدراسة إطار تقييم مكون من أربع مراحل لتقييم جودة بيانات الطيران الاصطناعية الناتجة عن نموذجين توليديّين متميزين: المشفر التلقائي التبايني الجدولي (TVAE) ونسيج غاوس (Gaussian Copula - GC).

أ. إعداد البيانات

المصدر: استخدمت الدراسة قاعدة بيانات "TranStats لآداء الطيران في الوقت المحدد" (BTS)، مع التركيز على الرحلات الجوية المحلية داخل الولايات المتحدة في ولاية نيويورك خلال يناير 2023.
مجموعة البيانات: حوالي 61,000 رحلة بـ 109 سمة (feature)، تم تقليصها إلى 30 سمة رئيسية (فئوية، عددية، وزمنية).
المعالجة المسبقة:
- تم توحيد السمات الزمنية وفق التوقيت العالمي المنسق (UTC).
- تمت معالجة القيم المفقودة عن طريق تقسيم الأعمدة إلى عمود للقيمة وعمود ثنائي (binary) كمؤشر على وجود قيمة مفقودة.
- هندسة السمات: للحفاظ على التبعيات المعقدة (مثل ضمان توافق وقت المغادرة مع وقت الوصول)، تم تنظيم مجموعة البيانات في ثلاثة أطر بيانات (DataFrames) متميزة (df_utc_ts و df_utc_d و df_utc_d_2) ذات تركيبات متباينة من السمات (الطوابع الزمنية مقابل المدد الزمنية).

ب. النماذج التوليدية

نسيج غاوس (GC): نموذج إحصائي يقوم بتفكيك التوزيعات متعددة المتغيرات إلى توزيعات هامشية وهياكل تبعية. يستخدم تقدير كثافة النواة (KDE) للتوزيعات الهامشية ودالة نسيج غاوس لنمذجة الارتباطات.
المشفر التلقائي التبايني الجدولي (TVAE): نموذج تعلم عميق مُكيف للبيانات الجدولية. يستخدم مشفراً (Encoder) لخرائط البيانات المدخلة إلى توزيع احتمالي كامن، ومفكك شفرة (Decoder) لإعادة بناء البيانات، مع تحسين الحد الأدنى الأدنى للبرهان (ELBO).

ج. التصميم التجريبي

أُجريت خمس تجارب لاختبار مجموعات مختلفة من السمات والتركيبات النموذجية:

التجارب 1–3: نموذج TVAE مدرب على مجموعات سمات مختلفة (df_utc_ts و df_utc_d و df_utc_d_2).
التجارب 4–5: نموذج GC مدرب على df_utc_ts و df_utc_d_2.
قيد الحجم: تم تدريب TVAE على مجموعة البيانات الكاملة (~61 ألف صف)، بينما تم تحديد GC بـ 5,000 صف بسبب قيود الذاكرة الحسابية.

د. إطار التقييم المكون من أربع مراحل

التنوع (Diversity): تم تقييمه عبر تحليل المكونات الرئيسية (PCA) وفحوصات توازن الفئات لضمان قدرة البيانات الاصطناعية على التقاط التباين وتوزيع الأحداث النادرة (مثل التأخيرات) الموجودة في البيانات الحقيقية.
التشابه الإحصائي (Statistical Similarity): تم قياسه باستخدام مسافة التباين الكلي (TVD) للبيانات الفئوية واختبارات كولموغوروف-سميرنوف (KS) للبيانات العددية. كما قيمت مقاييس التشابه في الارتباط والتبعية العلاقات الثنائية.
الدقة (Fidelity): تم تقييمها عبر تدريب سبعة مصنفات (مثل الغابة العشوائية، SVM، والانحدار اللوجستي) للتمييز بين البيانات الحقيقية والاصطناعية. تشير الدقة المنخفضة للمصنف إلى دقة عالية للبيانات (أي أن النماذج لا تستطيع التمييز بينهما).
المنفعة (Utility): وهي المرحلة الأكثر أهمية. تم تدريب نماذج انحدار على البيانات الاصطناعية واختبارها على بيانات حقيقية (سيناريو TSTR) للتنبؤ بتأخير وصول الرحلات. تمت مقارنة الأداء مقابل خط أساس مدرب على بيانات حقيقية (TRTR) باستخدام MAE و RMSE و $R^2$ .

3. المساهمات الرئيسية

إطار عمل شامل: وضع معياراً صارماً من أربع مراحل لتقييم بيانات الطيران الاصطناعية، يتجاوز مجرد التشابه الإحصائي ليشمل المنفعة التنبؤية.
مقارنة النماذج: قدم مقارنة مباشرة بين النهج القائم على التعلم العميق (TVAE) والنهج الإحصائي (GC) في سياق النقل الجوي.
تحليل حساسية السمات: أظهر أن تمثيل السمات الزمنية (الطوابع الزمنية مقابل المدد الزمنية) يؤثر بشكل كبير على قدرة النماذج التوليدية على تعلم التبعيات التشغيلية (مثل وقت التدحرج/التاكسي مقابل مطار الوصول).
مقايضة القابلية للتوسع مقابل الدقة: حدد مقايضة حرجة حيث قد تفشل النماذج الإحصائية عالية الدقة (GC) في تحقيق المنفعة بسبب قيود التوسع، بينما تقدم النماذج القابلة للتوسع (TVAE) منفعة عملية رغم انخفاض دقتها الإحصائية قليلاً.

4. النتائج الرئيسية

التشابه الإحصائي والدقة:
- تفوق GC على TVAE في التشابه الإحصائي (89.06% مقابل 81.47%) وفي الدقة (دقة أقل للمصنف في التمييز بين الحقيقي والاصطناعي).
- حافظ GC بفعالية على التوزيعات الهامشية والعلاقات الثنائية حتى مع مدخلات الوقت المعقدة.
التنوع:
- عانى TVAE في البداية من "انهيار اللاحقة" (posterior collapse) عند استخدام تنسيقات التاريخ والوقت، وفشل في التقاط تجمعات التأخير. تحسن الأداء بشكل كبير عند الانتقال إلى السمات القائمة على المدد الزمنية (df_utc_d_2) وإدراج "وقت التدحرج/التاكسي" صراحةً.
- حافظ GC على التنوع في جميع التكوينات ولكنه كان محدوداً بحجم العينة الصغير (5,000 صف).
المنفعة التنبؤية (النتيجة الحاسمة):
- TVAE (التجربة 3): حققت النماذج المدربة على بيانات TVAE الاصطناعية دقة مماثلة أو متفوقة على خطوط الأساس للبيانات الحقيقية عند التنبؤ بتأخير الرحلات (على سبيل المثال، $R^2$ بلغ 0.79 مقابل 0.76 لخط الأساس).
- GC (التجربة 5): على الرغم من الدقة الإحصائية العالية، أدت البيانات المولدة بواسطة GC إلى أداء تنبئي ضعيف ( $R^2$ انخفض إلى 0.66).
- السبب: أدى القيد الحسابي إلى حصر GC في مجموعة بيانات صغيرة (~2,400 صف نظيف). فشلت هذه العينة الصغيرة في التقاط التباين الكامل لمسارات وطرق الطيران، مما أدى إلى ضعف في ملاءمة النموذج (underfitting) في المهام اللاحقة. أما TVAE، الذي تدرب على ~52,000 صف، فقد استطاع التقاط التعقيد اللازم.

5. الأهمية والخاتمة

جدوى البيانات الاصطناعية: تثبت الدراسة أن بيانات الطيران الاصطناعية يمكن أن تحل محل البيانات الحقيقية بفعالية لتدريب النماذج التنبؤية، بشرما أن تكون العملية التوليدية قابلة للتوسع بما يكفي لالتقاط التوزيع الكامل لأنماط الطيران.
القابلية للتوسع هي الأهم: بالنسبة لتطبيقات الطيران التي تتضمن بيانات معقدة وعالية الأبعاد، فإن القدرة على توليد مجموعات بيانات واسعة النطاق (TVAE) أكثر قيمة من المكاسب الإحصائية الهاملة لمجموعات البيانات الأصغر والأكثر دقة (GC).
الاتجاهات المستقبلية: يقترح المؤلفون الاستفيد من زيادة القدرة الحسابية لتوسيع نماذج GC، وتحسين TVAE لمنع انهيار اللاحقة، واستكشاف توليد مسارات طيران جديدة تماماً ومحتملة (تحويلات/إلغاءات) لا توجد في السجلات التاريخية.

الخلاصة النهائية: يعد توليد البيانات الاصطناعية حلاً قابلاً للتطبيق لمشكلة ندرة بيانات الطيران. ومع ذلك، يجب أن يوازن اختيار النموذج بين الدقة الإحصائية والقابلية للتوسع الحسابية؛ فالنموذج الذي يولد مجموعة بيانات صغيرة ومثالية هو أقل فائدة من النموذج الذي يولد مجموعة بيانات كبيرة و"جيدة بما يكفي" قادرة على تدريب نماذج تنبؤية قوية.