⚡ electrical engineering

Unlocking air traffic flow prediction through microscopic aircraft-state modeling

Dieses Paper stellt AeroSense vor, ein neuartiges State-to-Flow-Framework, das die kurzfristige Luftverkehrsflussvorhersage im Terminalverkehr verbessert, indem es die unmittelbaren mikroskopischen Flugzeugzustände aus ADS-B-Daten direkt modelliert, wodurch die Einschränkungen traditioneller aggregierter Zeitreihenansätze überwunden und eine überlegene Genauigkeit, insbesondere bei hoher Verkehrsdichte, erreicht wird.

Ursprüngliche Autoren: Feng Hong, Bin Wang, Anqi Liu, Jiangtao Zhao, Yanyong Huang, Peilan He, Guiyuan Jiang, Yanwei Yu, Tianrui Li

Veröffentlicht 2026-06-25

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Feng Hong, Bin Wang, Anqi Liu, Jiangtao Zhao, Yanyong Huang, Peilan He, Guiyuan Jiang, Yanwei Yu, Tianrui Li

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen vorherzusagen, wie viele Autos in den nächsten 15 Minuten auf einem belebten Parkplatz eintreffen werden.

Der alte Weg (Der „Verkehrsbericht“-Ansatz)
Die meisten aktuellen Systeme versuchen, dies vorherzusagen, indem sie ein langes Videoband der letzten Stunden betrachten. Sie zählen, wie viele Autos in den vergangenen 15 Minuten vorbeigefahren sind, und nutzen diese Historie, um die Zukunft zu erraten. Es ist, als würde man versuchen, das Wetter von morgen vorherzusagen, indem man sich nur eine Grafik der gestrigen Temperatur ansieht und dabei ignoriert, dass gerade eine Sturmfront aufzieht.

Das Problem bei dieser Methode ist, dass sie den Verkehr als eine glatte, verschwommene Linie behandelt. Sie vergisst die einzelnen Autos. Sie weiß nicht, ob ein bestimmtes Auto gerade beschleunigt, langsamer wird oder umdreht. Und sie kommt durcheinander, wenn sich die Anzahl der Autos plötzlich ändert, weil sie daran gewöhnt ist, einen stetigen Datenstrom zu betrachten.

Der neue Weg: AeroSense (Der „Live-Kamera“-Ansatz)
Das Paper stellt ein neues System namens AeroSense vor. Anstatt in ein historisches Band zu schauen, betrachtet AeroSense eine einzige, hochauflösende Momentaufnahme des Himmels genau jetzt.

Denken Sie an einen Sicherheitswachmann, der auf einem Turm mit einem leistungsstarken Teleskop steht. Anstatt zu zählen, wie viele Autos in der letzten Stunde vorbeigefahren sind, beobachtet der Wachmann jedes einzelne Flugzeug, das derzeit sichtbar ist, und fragt:

Wo ist es gerade?
Wie schnell fliegt es?
Wendet es sich zum Flughafen oder weg vom Flughafen?
Befindet es sich nahe am Rand der „kontrollierten Zone“?

Wie es funktioniert (Das magische Rezept)
Die Forscher haben ein Computergehirn gebaut, das den Himmel nicht als einen Fluss von Zahlen behandelt, sondern als eine dynamische Gruppe von Freunden, die ständig zu einer Party dazukommen oder sie verlassen.

Die Momentaufnahme: In jeder Sekunde erfasst das System den „Zustand“ jedes Flugzeugs im Gebiet. Dies umfasst deren Position, Geschwindigkeit und sogar, was der Pilot beabsichtigt zu tun (wie ein Regler im Cockpit, der anzeigt, wohin er fliegen möchte).
Der Gruppenchat: Das System nutzt eine spezielle Art von KI (genannt „Masked Self-Attention“), die es den Flugzeugen ermöglicht, miteinander zu „sprechen“. Es findet heraus, welche Flugzeuge sich gegenseitig beeinflussen. Wenn beispielsweise Flugzeug A langsamer wird, könnte dies dazu führen, dass auch Flugzeug B dahinter langsamer wird. Das System lernt diese Beziehungen sofort.
Die Zählmaschine: Sobald das System die Gruppe verstanden hat, zählt es sie nicht einfach nur zusammen. Stattdessen agiert es wie ein Zähler. Es erkennt, dass der „Verkehrsfluss“ einfach die Summe all dieser einzelnen Flugzeuge ist. Wenn 50 Flugzeuge in Richtung Flughafen unterwegs sind, lautet die Vorhersage 50. Wenn 5 weitere der Gruppe beitreten, aktualisiert sich die Vorhersage sofort auf 55.
Zwei verschiedene Augen: Das System besitzt zwei separate „Köpfe“ (Predictors). Ein Kopf konzentriert sich auf den Bereich in niedriger Höhe nahe der Landebahn (wo Flugzeuge landen), und der andere auf den Bereich in großer Höhe (wo Flugzeuge im Reiseflug sind). Sie arbeiten getrennt, da die Regeln für jede Zone unterschiedlich sind.

Warum es besser ist
Das Paper hat dieses System gegen die alten „Historienband“-Methoden unter Verwendung realer Daten von einem großen Flughafen getestet.

Genauigkeit: AeroSense war viel besser darin, den Verkehr vorherzusagen, insbesondere wenn der Himmel voll war. Es erfasste die „Dellen“ und plötzlichen Änderungen, die die alten Methoden übersahen.
Keine Historie nötig: Da es die aktuelle Situation so klar betrachtet, muss es nicht die letzten 24 Stunden an Daten im Gedächtnis behalten. Es kann die Vorhersage in dem Moment treffen, in dem es die Daten erhält.
Robustheit: Wenn der Verkehr chaotisch wurde (wie während eines morgendlichen Berufsverkehrs), machten die alten Systeme große Fehler. AeroSense blieb ruhig und präzise, wie ein Wachmann, der genau weiß, was jede einzelne Person in der Menge gerade tut.

Das Fazit
Das Paper argumentiert, dass man, um den Flugverkehr vorherzusagen, nicht nur auf die Historie des Verkehrsflusses schauen sollte. Man muss den mikroskopischen Zustand jedes einzelnen Luftfahrzeugs jetzt verstehen. Indem AeroSense den Himmel als eine lebendige, sich ständig verändernde Gruppe einzelner Flugzeuge statt als eine verschwommene Linie von Daten behandelt, erschließt es eine viel klarere und genauere Sicht auf das, was als Nächstes kommt.

Technische Zusammenfassung: Erschließung der Luftverkehrsflussvorhersage durch mikroskopische Flugzeugzustandsmodellierung

Problemstellung
Die kurzfristige Vorhersage des Luftverkehrsflusses im Terminalverkehrsbereich (TA) ist entscheidend für ein proaktives Luftverkehrsmanagement (ATM), doch bestehende Ansätze stützen sich überwiegend auf ein makroskopisches Zeitreihen-Prognoseparadigma. In diesem konventionellen Rahmen werden individuelle Flugzeugtrajektorien zu makroskopischen Flusssequenzen oder räumlich-zeitlichen Tensoren aggregiert, bevor eine Vorhersage erfolgt. Die Autoren argumentieren, dass diese Aggregation feingliedrige Informationen verschleiert, die für die Verkehrsdynamik essenziell sind, wie etwa Flugzeugkinematik, Grenzinteraktionen und Steuerungsabsichten. Darüber hinaus erfordern diese Methoden typischerweise historische Rückblickfenster (Look-back Windows) und sind anfällig für Diskretisierungsartefakte und den Informationsverlust, der mit der Komprimierung kontinuierlicher, variabel-kardinaler Flugzeugzustände in feste Zeitreihenrepräsentationen einhergeht. Die zentrale Herausforderung besteht in der Frage, ob instantane mikroskopische Flugzeugzustände ausreichende Informationen für eine genaue zukünftige Flussvorhersage liefern können, ohne auf historische Flusssequenzen angewiesen zu sein.

Methodik: Das AeroSense-Framework
Um diese Einschränkungen zu adressieren, schlägt das Paper AeroSense vor, ein State-to-Flow-Modellierungsframework, das eine End-to-End-Abbildung von instantanen mikroskopischen Flugzeugzuständen auf zukünftige regionale Verkehrsflüsse herstellt.

State-to-Flow-Paradigma: Anstatt den Luftraum als eine Zeitreihe zu behandeln, modelliert AeroSense die instantane Luftraumsituation zum Zeitpunkt $t$ als eine dynamische, ungeordnete Menge von Flugzeugzuständen, $S_t = \{s_1, \dots, s_{N_t}\}$ . Die Kardinalität $N_t$ variiert, wenn Flugzeuge in den Luftraum eintreten oder ihn verlassen.
Mikroskopische Zustandsrepräsentation: Jeder Flugzeugzustandsvektor $s_i \in \mathbb{R}^{18}$ $s_{i} \in R^{18}$ wird aus ADS-B-Daten konstruiert und kodiert fünf distinkte Komponenten:
- Position: Breitengrad, Längengrad und Flughöhe.
- Kinematik: Bodengeschwindigkeit, vertikale Geschwindigkeit und Kurswinkel.
- Steuerungsabsicht: Eingestellte Fluggeschwindigkeit und Flughöhe (aus dem Mode Control Panel).
- Grenzinteraktionen: Abstand zu den Luftraumgrenzen (AP und AR), Annäherungsfaktoren (Kosinus-Ähnlichkeit zwischen Geschwindigkeit und Vektor zum Zentrum des Luftraums) sowie Indikatoren für die Zugehörigkeit zum Luftraum.
- Temporaler Kontext: Zyklische Embeddings für Stunde und Minute.
Modellarchitektur:
- Umgang mit variabler Kardinalität: Die dynamische Menge wird auf eine feste maximale Kapazität ( $N_{max}=120$ ) aufgefüllt (Padding) und über ein gemeinsames Multi-Layer-Perzeptron (MLP) verarbeitet, um latente Embeddings zu generieren.
- Interaktionsmodellierung: Ein Masked Self-Attention-Mechanismus erfasst die Abhängigkeiten zwischen den Flugzeugen. Eine Maskenmatrix stellt sicher, dass Padding-Zustände (Dummy-Einträge) die Attention-Gewichte nicht beeinflussen, wodurch das Modell sich ausschließlich auf gültige Flugzeuginteraktionen konzentrieren kann.
- Aggregation: Die Autoren verwenden SumPooling (anstatt Mean- oder Max-Pooling), um die Embeddings zu aggregieren. Diese Wahl ist durch die Natur des Verkehrsflusses als akkumulative Größe motiviert, die von der Anzahl der Flugzeuge abhängt, wodurch das Skalenniveau der Menge in der globalen Repräsentation erhalten bleibt.
- Entkoppelte Vorhersageköpfe: Zwei unabhängige Vorhersageköpfe schätzen die zukünftigen Verkehrsvolumina für den Approach-Luftraum (AP) und den Airspace Control Region (AR) separat, um deren unterschiedliche Flussdynamiken zu berücksichtigen.
Training: Das Modell wird unter Verwendung einer Multi-Task-Huber-Loss-Funktion über beide Luftraumziele optimiert.

Wesentliche Beiträge

Paradigmenwechsel: Die Arbeit definiert die Luftverkehrsflussvorhersage von einem makroskopischen Zeitreihenproblem zu einem mikroskopischen State-to-Flow-Lernproblem um und bringt die Lernrepräsentation mit dem tatsächlichen physikalischen Zustand des Verkehrs (einer dynamischen Menge von Flugzeugen) in Einklang.
AeroSense-Framework: Einführung eines Frameworks, das den Bedarf an historischen Rückblickfenstern und manuell spezifizierten Hyperparametern eliminiert, die variierende Verkehrsdichte natürlich bewältigt und ein Echtzeit-Streaming-Inference ermöglicht.
Physikalisch fundierte Repräsentationen: Das Design integriert Grenzinteraktionen und Steuerungsabsichten als induktive Biases, was es dem Modell ermöglicht, über die Flugdynamik statt rein über statistische Korrelationen über die Entwicklung des Verkehrs zu urteilen.
Architekturdesign: Die spezifische Kombination aus Masked Self-Attention zur Interaktionsmodellierung und SumPooling zur skalen-sensitiven Aggregation erweist sich als entscheidend für die Performance.

Experimentelle Ergebnisse
Das Framework wurde auf einem großskaligen Realweltdatensatz aus dem Terminalverkehrsbereich eines internationalen Flughafens (März–Oktober 2025) evaluiert, wobei die Verkehrsvolumina für die AP- und AR-Regionen 15 Minuten im Voraus vorhergesagt wurden.

Performance vs. SOTA: AeroSense übertraf konsistent repräsentative State-of-the-Art (SOTA) Zeitreihen-Baselines (einschließlich Autoformer, FEDformer, TimesNet und iTransformer). In der hochverdichteten AR-Region reduzierte AeroSense den mittleren absoluten Fehler (MAE) im Vergleich zum stärksten Konkurrenten (TimesNet) um etwa 22,7 %.
Ablationsstudien:
- Das Entfernen des Masked Self-Attention-Mechanismus verschlechterte die Performance signifikant, was die Notwendigkeit der Modellierung von Interaktionen zwischen Flugzeugen bestätigt.
- Das Entfernen der Grenzinteraktionszustände führte zu deutlichen Leistungseinbußen, was die Bedeutung geometrischer Hinweise gegenüber reinen GPS-Koordinaten validiert.
- Das Ersetzen von SumPooling durch Mean- oder Max-Pooling verursikte eine erhebliche Verschlechterung der Performance, insbesondere in Szenarien mit hoher Dichte, was untermauert, dass die Vorhersage des Verkehrsflusses von der Anzahl der Flugzeuge und nicht vom Durchschnitt der Zustände abhängt.
Robustheit: AeroSense zeigte eine überlegene Robustheit während Phasen hoher Volatilität (z. B. Morgenpeaks und Übergänge in die Nachtstunden), in denen konventionelle Zeitreihenmodelle ausgeprägte Fehler-Spitzen aufwiesen. Das Modell behielt ein glatteres Fehlerprofil bei und erreichte Pareto-optimale Leistungen in Multi-Objective-Evaluierungen zur Tageszeit-Segmentierung.
Vergleich mit Set-basierten Baselines: Während generische Set-basierte Modelle (DeepSets, SetTransformer) besser abschnitten als Zeitreihen-Baselines, erzielte AeroSense die niedrigsten Fehler, was darauf hindeutet, dass das spezifische luftraum-bewusste Design (Zustandsrepräsentation und entkoppelte Köpfe) einen zusätzlichen Wert über die generische permutationsinvariante Modellierung hinaus bietet.

Bedeutung und Behauptungen
Das Paper behauptet, dass instantane Luftraum-Situationen eine effektive Alternative zu konventionellen Zeitreihen-basierten Prognoseparadigmen darstellen. Durch die direkte Modellierung mikroskopischer Flugzeugzustände bewahrt AeroSense feingliedrige Dynamiken und minimiert den Informationsverlust durch Aggregation. Die Autoren betonen, dass dieser Ansatz nicht nur die durchschnittliche Vorhersagegenauigkeit verbessert, sondern auch praktische Vorteile für den Einsatz bietet: Er vereinfacht das Echtzeit-Streaming-Inference, indem er die Notwendigkeit einer dauerhaften Speicherung historischer Trajektorien und langer Rückblickfenster eliminiert. Die Ergebnisse legen nahe, dass zukünftige Luftverkehrsmanagementsysteme davon profitieren könnten, den Fokus von aggregierten Flussstatistiken hin zur instantanen, zustandsbewussten Modellierung des Luftraums zu verlagern.

Mehr davon