| Revista: | Revista colombiana de tecnologías de avanzada |
| Base de datos: | |
| Número de sistema: | 000608616 |
| ISSN: | 2500-8625 |
| Autores: | Ortega Pabón, José David1 Flórez Zuluaga, Jimmy Anderson2 Hernández Lordui, Mónica Patricia3 |
| Instituciones: | 1Universidad Pontificia Bolivariana, 2Institución Universitaria de Envigado, 3University of Massachusetts Amherst, |
| Año: | 2025 |
| Periodo: | Ene-Jun |
| Volumen: | 1 |
| Número: | 45 |
| Paginación: | 82-90 |
| País: | Colombia |
| Idioma: | Español |
| Resumen en inglés | Given the increasing global air traffic, this article compares two autoencoder approaches for anomaly detection in flight trajectories, using the DBSCAN algorithm as an initial reference. The first model utilizes normalized continuous features (latitude, longitude, speed, and heading), while the second incorporates a discrete segmentation of the airspace through Voronoi regions, alongside kinematic variables. The results indicate on average 96% accuracy for the continuous autoencoder and 97% for the Voronoi-based model, with the latter showing a greater ability to identify normal trajectories. Qualitative analysis revealed that autoencoders, by including additional variables, capture more complex anomalies than DBSCAN. The integration of Voronoi regions improved the model's explainability, facilitating the interpretation of anomalies within their geographic context. |
| Resumen en español | Dado el creciente tráfico aéreo mundial, este articulo compara dos enfoques de autoencoders para la detección de anomalías en trayectorias aéreas, empleando el algoritmo DBSCAN como referencia inicial. El primer modelo utiliza características continuas normalizadas (latitud, longitud, velocidad y rumbo), mientras que el segundo incorpora una segmentación discreta del espacio aéreo mediante regiones de Voronoi, además de las variables cinemáticas. Los resultados indican una precisión para la detección de anomalías en promedio del 96% en el autoencoder continuo y del 97% en el modelo basado en Voronoi, con este último mostrando una mayor capacidad para identificar trayectorias normales. El análisis cualitativo demostró que los autoencoders, al incluir variables adicionales, capturan anomalías más complejas que DBSCAN. La integración de Voronoi mejoró la explicabilidad del modelo, facilitando la interpretación de las anomalías en su contexto geográfico. |
| Palabras clave: | detección de anomalías, autoencoder, machine learning, aprendizaje no supervisado, regiones de voronoi |
| Keyword: | anomaly detection, autoencoder, machine learning, unsupervised learning, voronoi regions |
| Texto completo: | Texto completo (Ver PDF) Texto completo (Ver HTML) |
