Synthetic Flight Data Generation Using Generative Models

Titolo: Generazione di Dati di Volo Sintetici tramite Modelli Generativi

1. Il Problema

Il settore dell'aviazione si sta sempre più affidando all'Intelligenza Artificiale (AI) e al Machine Learning (ML) per ottimizzare le operazioni, ridurre i ritardi e migliorare la sicurezza. Tuttavia, lo sviluppo di modelli predittivi robusti è ostacolato da due fattori critici:

• Scarsità e Accesso ai Dati: L'accesso a dataset completi e di alta qualità è limitato da regolamenti sulla privacy, restrizioni commerciali e barriere normative.
• Squilibrio delle Classi (Class Imbalance): Eventi critici come cancellazioni, deviazioni e ritardi significativi sono rari nei dataset storici. Questa scarsità di esempi rende difficile addestrare modelli ML capaci di prevedere tali eventi con accuratezza.

L'obiettivo dello studio è valutare la fattibilità dell'uso di dati sintetici generati artificialmente per superare queste limitazioni, offrendo un'alternativa ai dati reali riservati e un modo per aumentare (augment) i dataset storici.

2. Metodologia

Gli autori hanno proposto un framework di valutazione a quattro stadi per generare e testare dati di volo sintetici.

A. Dati e Preprocessing

• Dataset: Utilizzo del database "TranStats" della BTS (Bureau of Transportation Statistics) relativo ai voli domestici negli USA (gennaio 2023, New York State).
• Volume: Circa 61.000 voli con 109 feature iniziali, ridotte a 30 feature chiave (categoriche, numeriche, datetime e relazioni).
• Gestione dei Dati: I dati mancanti sono stati gestiti creando colonne binarie di indicazione (presente/mancante) per preservare l'informazione strutturale. Le feature temporali sono state convertite in UTC e organizzate in tre diversi DataFrame (df_utc_ts, df_utc_d, df_utc_d_2) per testare diverse rappresentazioni (timestamp vs. durate).

B. Modelli Generativi
Sono stati confrontati due approcci distinti:

1. Tabular Variational Autoencoder (TVAE): Un modello di Deep Learning basato su reti neurali che mappa i dati in uno spazio latente probabilistico e li ricostruisce. È stato addestrato su ~61.000 voli.
2. Gaussian Copula (GC): Un modello statistico che modella le dipendenze tra variabili preservando le distribuzioni marginali, utilizzando la stima di densità Kernel (KDE). A causa di vincoli computazionali, è stato limitato a 5.000 voli.

C. Sperimentazione
Sono stati condotti 5 esperimenti combinando i due modelli con diverse configurazioni di feature. Successivamente, è stato applicato un framework di valutazione a quattro stadi:

1. Diversità: Analisi tramite PCA per verificare se i dati sintetici coprono la variabilità e i cluster dei dati reali.
2. Similarità Statistica: Confronto delle distribuzioni marginali e bivariata (distanza TV, test Kolmogorov-Smirnov, similarità di correlazione).
3. Fedeltà (Fidelity): Addestramento di 7 classificatori (es. Random Forest, SVM) per distinguere tra dati reali e sintetici. Una bassa accuratezza di classificazione indica un'alta fedeltà.
4. Utilità (Utility): Addestramento di 16 modelli di regressione per prevedere i ritardi all'arrivo. Si è confrontata la performance Train-Real-Test-Real (TRTR) con Train-Synthetic-Test-Real (TSTR).

3. Risultati Chiave

• Diversità e Feature Selection:

  • Il TVAE è risultato sensibile alla selezione delle feature e al tipo di dato (datetime vs. numerico). L'uso di durate temporali numeriche e l'inclusione di feature specifiche (come il tempo di "Taxi In") ha migliorato significativamente la capacità del modello di catturare i pattern di ritardo.
  • Il Gaussian Copula (GC) ha mostrato una maggiore robustezza, preservando la variabilità completa dei dati reali indipendentemente dalla rappresentazione delle feature temporali.

• Similarità Statistica e Fedeltà:

  • Il modello GC ha ottenuto prestazioni superiori nella similarità statistica (89,06% di similarità media contro l'81,47% del TVAE) e nella fedeltà. I classificatori faticavano di più a distinguere i dati sintetici GC da quelli reali (accuratezza media del 66,93% vs 78,39% per TVAE).

• Utilità Predittiva (Il Trade-off):

  • Nonostante la superiorità statistica del GC, il modello TVAE ha dimostrato un'utilità predittiva superiore per l'addestramento di modelli di previsione dei ritardi.
  • Motivo: Il GC è stato limitato a un dataset sintetico di soli ~2.400 voli puliti a causa dei costi computazionali, mentre il TVAE ne ha generati ~52.000. La scarsità di dati nel GC ha impedito di catturare la variabilità delle rotte (es. solo 4 voli per rotta vs 104 per TVAE), portando a una performance predittiva inferiore (RMSE medio di 20,11 min per GC vs 14,72 min per TVAE nel test TSTR).

4. Contributi Principali

1. Framework di Valutazione Olistico: Introduzione di una metodologia rigorosa a quattro stadi (Diversità, Similarità, Fedeltà, Utilità) specifica per il dominio aeronautico, andando oltre la semplice analisi statistica.
2. Analisi del Trade-off Scalabilità/Qualità: Dimostrazione che un'elevata similarità statistica (GC) non garantisce automaticamente una migliore utilità predittiva se il dataset sintetico è troppo piccolo per catturare pattern complessi.
3. Validazione dell'Uso Sintetico: Conferma che i dati sintetici, se generati correttamente (in questo caso con TVAE su larga scala), possono addestrare modelli di previsione dei ritardi con accuratezza paragonabile a quelli addestrati su dati reali.
4. Gestione delle Dipendenze: Analisi dettagliata su come la rappresentazione delle feature (es. timestamp vs. durate) influenzi la capacità del modello di apprendere relazioni operative critiche (es. correlazione tra distanza e tempo di volo).

5. Significato e Implicazioni

Questo studio è fondamentale per la ricerca nel trasporto aereo perché:

• Risolve il problema della privacy: Offre una via praticabile per condividere e utilizzare dati di volo sensibili senza violare la privacy.
• Mitiga lo sbilanciamento delle classi: Permette di generare artificialmente esempi di eventi rari (ritardi estremi, cancellazioni) per migliorare la robustezza dei modelli ML.
• Guida la selezione dei modelli: Sottolinea che per applicazioni su larga scala nell'ATM (Air Traffic Management), la scalabilità (capacità di gestire grandi volumi di dati) è spesso più critica della pura fedeltà statistica di un modello complesso come il Gaussian Copula.

In conclusione, i risultati aprono la strada all'adozione di dati sintetici per migliorare la modellazione predittiva nel settore aereo, suggerendo che i Variational Autoencoder (TVAE) sono attualmente la soluzione più equilibrata per bilanciare qualità, scalabilità e utilità operativa.