Ekstreme hændelser i luftfarten, som alvorlige ankomstforsinkelser og unormale flyvetider, kan forårsage kaskadeeffekter i hele netværket med store operationelle, økonomiske og sikkerhedsmæssige konsekvenser. Men sådanne hændelser er sjældne i historiske data, hvilket efterlader for lidt træningssignal til maskinlæringsmodeller. Nu har forskere præsenteret en ny metode, TailBooster, der kombinerer generativ modellering med to lag af anomalidetektion for at løse dette problem.
TailBooster er en to-lags generativ ramme, der først bruger et statistisk lag til at udtrække ekstreme værdier via interkvartilafstanden, hvilket giver koncentreret træningssignal til dedikerede generative modeller, herunder en tabulær variational autoencoder. Derefter anvender et deep learning-lag autoencoder-baseret oprydning for at kassere syntetiske poster, der overtræder den operationelle ramme, som er lært fra historiske data. Dette sikrer, at de genererede data ikke kun er statistisk realistiske, men også operationelt mulige – for eksempel undgår metoden at generere en kort flyvetid kombineret med en lang flyvestrækning.
Metoden blev evalueret på amerikanske flydata med fokus på fem dimensioner: diversitet, statistisk lighed, troværdighed, operationel validitet og anvendelighed. Resultaterne viser, at data-drevet oprydning markant forbedrede operationel validitet, mens målrettet augmentering øgede anvendeligheden for ekstrem-hændelsesforudsigelse. På tværs af seks regressionsalgoritmer reducerede træning på rammens data den gennemsnitlige absolutte fejl med 47-49% for ekstreme flyvetider og 29-57% for ekstreme ankomstforsinkelser sammenlignet med konventionelle syntetiske data.
For beslutningstagere i luftfartsindustrien – fra flyselskaber til lufthavnsoperatører – kan dette betyde bedre planlægning og ressourceallokering, når ekstreme hændelser truer. Metoden er fuldt data-drevet og model-agnostisk, hvilket gør den anvendelig i andre domæner, hvor ekstrem-hændelsesforudsigelse er kritisk, og hvor domænespecifikke regler ikke er tilgængelige. Det åbner for bredere anvendelse i for eksempel logistik, energiforsyning eller finans, hvor sjældne, men højimpact-hændelser er en udfordring.
