Conditioning Aircraft Trajectory Prediction on Meteorological Data with a Physics-Informed Machine Learning Approach

📄 arXiv: 2601.03152v1 📥 PDF

作者: Amy Hodgkin, Nick Pepper, Marc Thomas

分类: eess.SY

发布日期: 2026-01-06

备注: Accepted to AIAA SciTech 2026 Forum

💡 一句话要点

提出一种基于物理信息的机器学习方法，利用气象数据提升飞机轨迹预测精度。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 飞机轨迹预测 气象数据 物理信息机器学习 空中交通管理 BADA模型

📋 核心要点

  1. 现有飞机轨迹预测方法难以有效处理气象条件等不确定性因素，导致预测精度受限。
  2. 该论文提出一种基于物理信息的机器学习方法，利用气象数据调节BADA模型，学习飞机推力和空速。
  3. 实验结果表明，该方法在多个指标上优于基线模型，轨迹预测的技能提升了20%。

📝 摘要（中文）

在空中交通管理系统中，精确的飞机轨迹预测（TP）受到多种认知不确定性的影响，其中主要是不确定的气象条件和操作员的特定程序。处理这种不确定性需要使用概率性的、机器学习模型来生成轨迹。然而，如果生成的轨迹在物理上不可信，此类模型的可信度就会受到限制。因此，我们提出了一种基于物理信息的方法，其中飞机的推力和空速从数据中学习，并用于调节现有的飞机数据基础（BADA）模型，该模型是基于物理的，并对生成的轨迹强制执行基于能量的约束。我们识别出了一组信息丰富的特征，并用它们来调节飞机推力和空速的概率模型。与忽略气象条件等上下文信息的基线概率模型相比，所提出的方案在一组六个指标上的技能提高了20%。

🔬 方法详解

问题定义：论文旨在解决空中交通管理中飞机轨迹预测精度不高的问题，尤其是在气象条件不确定性影响下。现有方法难以有效融合气象信息，且生成的轨迹可能不符合物理规律，降低了预测的可信度。

核心思路：论文的核心思路是将物理模型与机器学习相结合。利用基于物理的BADA模型保证轨迹的物理合理性，同时通过机器学习方法从数据中学习飞机的推力和空速，并将其作为BADA模型的条件，从而提高模型对气象条件变化的适应性。

技术框架：整体框架包含以下几个主要步骤：1) 数据收集与预处理：收集包含飞机飞行数据和气象条件的数据集。2) 特征工程：提取与飞机推力和空速相关的气象特征。3) 模型训练：使用机器学习模型（具体模型类型未知）学习飞机推力和空速的概率分布，以气象特征为条件。4) 轨迹生成：利用学习到的推力和空速调节BADA模型，生成飞机轨迹。5) 评估：使用一系列指标评估生成轨迹的准确性和物理合理性。

关键创新：论文的关键创新在于将数据驱动的机器学习方法与基于物理的BADA模型相结合，利用机器学习模型学习气象条件对飞机推力和空速的影响，并将其融入到物理模型中，从而提高了轨迹预测的精度和可信度。与传统方法相比，该方法能够更好地处理气象条件的不确定性，并保证生成轨迹的物理合理性。

关键设计：论文中关于机器学习模型的具体结构、损失函数以及BADA模型的调节方式等技术细节未知。但是，论文强调了特征选择的重要性，并识别出了一组信息丰富的特征用于调节推力和空速的概率模型。此外，论文使用了概率模型来表示推力和空速的不确定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在六个不同的评估指标上，相比于忽略气象信息的基线概率模型，轨迹预测的技能提升了20%。这一显著的提升表明了该方法在融合气象信息和提高轨迹预测精度方面的有效性。

🎯 应用场景

该研究成果可应用于空中交通管理系统，提高飞机轨迹预测的精度和可靠性，从而优化航班计划、减少飞行延误、提高空域利用率，并提升飞行安全性。此外，该方法也可推广到其他需要考虑物理约束的预测问题中，例如无人机路径规划、气象预测等。

📄 摘要（原文）

Accurate aircraft trajectory prediction (TP) in air traffic management systems is confounded by a number of epistemic uncertainties, dominated by uncertain meteorological conditions and operator specific procedures. Handling this uncertainty necessitates the use of probabilistic, machine learned models for generating trajectories. However, the trustworthiness of such models is limited if generated trajectories are not physically plausible. For this reason we propose a physics-informed approach in which aircraft thrust and airspeed are learned from data and are used to condition the existing Base of Aircraft Data (BADA) model, which is physics-based and enforces energy-based constraints on generated trajectories. A set of informative features are identified and used to condition a probabilistic model of aircraft thrust and airspeed, with the proposed scheme demonstrating a 20% improvement in skilfulness across a set of six metrics, compared against a baseline probabilistic model that ignores contextual information such as meteorological conditions.