Aircraft Trajectory Segmentation-based Contrastive Coding: A Framework for Self-supervised Trajectory Representation

要約

航空交通軌道認識は、航空交通管理コミュニティ内で、特に分類やクラスタリングなどの基本的なタスクに関して大きな関心を集めています。
この論文では、航空交通軌跡データの意味情報を取得するために設計された新しい自己教師型時系列表現学習フレームワークである航空機軌跡セグメンテーションベースのコントラストコーディング (ATSCC) を紹介します。
このフレームワークは、軌道のセグメント化可能な特性を活用し、自己割り当てセグメント内の一貫性を確保します。
3 つの異なる空港からのデータセット、合計 4 つのデータセットに対して集中的な実験が実施され、学習された表現の下流分類およびクラスタリングのパフォーマンスが他の最先端の表現学習技術と比較されました。
結果は、ATSCC が航空手順で定義されたラベルに一致することで、これらの方法よりも優れたパフォーマンスを発揮することを示しています。
ATSCC はさまざまな空港構成に適応でき、不完全な軌道にも拡張可能です。
この研究は既存の機能を拡張し、空港の構成、操縦手順、ラベル付けされたデータなどの事前定義された入力を必要とせずに、これらの改善を独立して達成しました。

要約(オリジナル)

Air traffic trajectory recognition has gained significant interest within the air traffic management community, particularly for fundamental tasks such as classification and clustering. This paper introduces Aircraft Trajectory Segmentation-based Contrastive Coding (ATSCC), a novel self-supervised time series representation learning framework designed to capture semantic information in air traffic trajectory data. The framework leverages the segmentable characteristic of trajectories and ensures consistency within the self-assigned segments. Intensive experiments were conducted on datasets from three different airports, totaling four datasets, comparing the learned representation’s performance of downstream classification and clustering with other state-of-the-art representation learning techniques. The results show that ATSCC outperforms these methods by aligning with the labels defined by aeronautical procedures. ATSCC is adaptable to various airport configurations and scalable to incomplete trajectories. This research has expanded upon existing capabilities, achieving these improvements independently without predefined inputs such as airport configurations, maneuvering procedures, or labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google