Synthetic Flight Data Generation Using Generative Models

Título: Generación de Datos de Vuelo Sintéticos Utilizando Modelos Generativos

1. Problema Identificado

La industria de la aviación enfrenta desafíos críticos en la adopción de Inteligencia Artificial (IA) y Aprendizaje Automático (ML) debido a:

• Escasez de datos: La falta de conjuntos de datos integrales y de alta calidad.
• Restricciones de privacidad y confidencialidad: Las regulaciones estrictas y las barreras comerciales limitan el acceso a registros reales de vuelos (especialmente en Europa).
• Desbalance de clases: Eventos críticos como cancelaciones, desvíos y retrasos severos son raros en los datos históricos, lo que dificulta el entrenamiento de modelos predictivos robustos.
• Limitaciones operativas: La necesidad de simular escenarios hipotéticos (clima extremo, congestión) que no están presentes en los datos históricos.

El objetivo es generar datos sintéticos realistas que preserven las propiedades estadísticas de los datos reales para entrenar modelos predictivos (como la predicción de retrasos) sin comprometer la privacidad.

2. Metodología

Los autores propusieron un marco de trabajo de cuatro etapas para evaluar la calidad de los datos sintéticos, comparando dos modelos generativos principales:

• Modelos Evaluados:
  1. Tabular Variational Autoencoder (TVAE): Un modelo de aprendizaje profundo basado en redes neuronales.
  2. Gaussian Copula (GC): Un modelo estadístico que modela dependencias complejas preservando distribuciones marginales.
• Datos de Entrada: Se utilizó la base de datos "TranStats" de la Oficina de Estadísticas de Transporte de EE. UU. (vuelos domésticos de enero de 2023 en Nueva York), con ~61,000 vuelos y 109 características iniciales.
• Preprocesamiento:
  • Se redujeron las características a 30 (categorías, numéricas y fechas).
  • Se manejaron valores faltantes dividiendo columnas en una columna de valores y una binaria de "presencia/ausencia".
  • Se crearon tres configuraciones de DataFrames (df utc ts, df utc d, df utc d 2) para probar diferentes representaciones de tiempo (fechas completas vs. duraciones en minutos) y preservar dependencias relacionales (ej. tiempo de taxi en función del aeropuerto de llegada).
• Experimentos: Se realizaron 5 experimentos combinando los modelos con diferentes subconjuntos de características.
  • Nota crítica: TVAE se entrenó con ~60,000 vuelos, mientras que GC se limitó a 5,000 debido a restricciones de memoria y costo computacional.
• Marco de Evaluación (4 Etapas):
  1. Diversidad: Análisis de componentes principales (PCA) y balance de clases para asegurar que los datos sintéticos cubran la variabilidad real.
  2. Similitud Estadística: Comparación de distribuciones marginales y bivariadas usando Distancia de Variación Total (TVD) y la prueba de Kolmogorov-Smirnov.
  3. Fidelidad: Entrenamiento de 7 clasificadores (Random Forest, KNN, etc.) para distinguir entre datos reales y sintéticos. Una menor precisión indica mayor fidelidad.
  4. Utilidad Predictiva: Entrenamiento de 16 modelos de regresión para predecir retrasos de llegada. Se comparó el rendimiento "Entrenar-Real-Test-Real" (TRTR) vs. "Entrenar-Sintético-Test-Real" (TSTR).

3. Contribuciones Clave

• Adaptación de Modelos: Aplicación y adaptación de TVAE y GC al dominio específico de datos de aviación, manejando tipos de datos mixtos (fechas, categorías, números) y valores faltantes informativos.
• Marco de Evaluación Integral: Desarrollo de una metodología rigurosa de cuatro etapas que va más allá de la simple similitud estadística, incluyendo la utilidad práctica para tareas de ML.
• Análisis de Compensaciones (Trade-offs): Identificación clara de la tensión entre la fidelidad estadística y la escalabilidad computacional.
• Validación de Viabilidad: Demostración de que los datos sintéticos pueden sustituir o complementar datos reales en la predicción de retrasos de vuelo con un rendimiento comparable.

4. Resultados

• Diversidad y Fidelidad:
  • Gaussian Copula (GC): Logró una mayor similitud estadística y fidelidad (94.41% en distribuciones marginales vs. 87.53% de TVAE). Los clasificadores tuvieron más dificultad para distinguir los datos sintéticos de GC de los reales (66.93% de precisión vs. 78.39% de TVAE).
  • TVAE: Fue más sensible a la selección de características y al tipo de datos. Inicialmente falló en replicar patrones de retraso de salida, pero mejoró significativamente al incluir características temporales específicas en el conjunto df utc d 2.
• Utilidad Predictiva (El hallazgo más importante):
  • A pesar de que GC generó datos estadísticamente más similares, TVAE superó a GC en la utilidad predictiva.
  • Los modelos entrenados con datos sintéticos de TVAE (TSTR) alcanzaron un error absoluto medio (MAE) de ~11 minutos, comparable al modelo entrenado con datos reales (TRTR).
  • Los modelos entrenados con datos de GC tuvieron un rendimiento significativamente peor (MAE de ~14.66 minutos).
  • Causa: La limitación computacional de GC obligó a usar un conjunto de datos sintético mucho más pequeño (~2,000 vuelos limpios vs. ~52,000 de TVAE). Esto resultó en una subrepresentación de rutas y patrones de vuelo, impidiendo que el modelo aprendiera la variabilidad necesaria para predecir bien, a pesar de la alta fidelidad estadística.
• Dependencia de la Escala: Se demostró que la capacidad de generar grandes volúmenes de datos (escalabilidad) es tan crítica como la precisión estadística para tareas de aprendizaje automático.

5. Significado e Implicaciones

• Solución a la Privacidad: Los datos sintéticos ofrecen una vía viable para superar las barreras de acceso a datos confidenciales en la investigación de transporte aéreo.
• Selección de Modelos: El estudio advierte que un modelo con alta fidelidad estadística no garantiza un buen rendimiento en tareas de ML si no puede escalar a grandes volúmenes de datos. Para aplicaciones de aviación, la escalabilidad (TVAE) puede ser más valiosa que la precisión estadística pura (GC) en el contexto actual de hardware.
• Futuro de la Investigación: Abre la puerta a la generación de escenarios hipotéticos (clima extremo, congestión) y al aumento de datos para eventos raros (cancelaciones), mejorando la robustez de los sistemas de gestión del tráfico aéreo (ATM).
• Recomendación: Para aplicaciones de predicción a gran escala, se recomienda el uso de arquitecturas de aprendizaje profundo como TVAE, siempre que se realice una ingeniería de características cuidadosa para preservar las dependencias temporales y operativas.

En conclusión, el paper establece que la generación de datos sintéticos es una herramienta poderosa para la aviación, pero su éxito depende de un equilibrio entre la calidad estadística del modelo y su capacidad para manejar la escala de datos necesaria para el aprendizaje efectivo.