A predição precisa de trajetória no espaço aéreo de uma área terminal de alta densidade (TMA) é crucial para Operações Baseadas em Trajetória (TBO), mas interações frequentes entre aeronaves e comportamentos de manobra podem introduzir incertezas significativas. A maioria das abordagens existentes utiliza modelos de aprendizagem profunda determinísticos que carecem de quantificação de incerteza e de uma consciência espacial explícita. Para abordar essa lacuna, propomos o BST-Transformer, uma estrutura de aprendizagem profunda espacial-temporal bayesiana que produz previsões de trajetória mult passo probabilísticas e suporta alertas de conflito probabilísticos. A estrutura primeiro extrai características de interação temporal e espacial por meio de codificadores de atenção espacial-temporal e, em seguida, utiliza um decodificador bayesiano com inferência variacional para gerar distribuições de trajetória. Conflitos potenciais são avaliados por meio de amostragem de Monte Carlo das distribuições preditivas para produzir probabilidades de conflito e decisões de alarme. Experimentos baseados em dados reais de SSR da TMA de Guangzhou mostram que este modelo apresenta um desempenho excepcional ao melhorar a precisão das previsões, reduzindo o MADE em 60,3% em relação a um ST-Transformer determinístico com reduções análogas em erros horizontais e verticais (MADHE e MADVE), quantificando a incerteza e aprimorando significativamente a capacidade do sistema de identificar riscos à segurança, fornecendo forte suporte para a gestão inteligente do tráfego aéreo com capacidades de percepção de incerteza.
Li et al. (Mon,) estudaram essa questão.