Detección de anomalías en trayectorias de vuelo utilizando autoencoders y segmentación del espacio aéreo basada en regiones de Voronoi

Ortega Pabón, José David; Flórez Zuluaga, Jimmy Anderson; Hernández Lordui, Mónica Patricia

Repositorio Institucional Universidad de Pamplona

Producción Editorial Universidad de Pamplona

Revista Colombiana de Tecnologias de Avanzada (RCTA)

Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/9479

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.author	Ortega Pabón, José David	-
dc.contributor.author	Flórez Zuluaga, Jimmy Anderson	-
dc.contributor.author	Hernández Lordui, Mónica Patricia	-
dc.date.accessioned	2025-05-08T15:03:46Z	-
dc.date.available	2025-05-08T15:03:46Z	-
dc.date.issued	2025-01-01	-
dc.identifier.citation	Ortega Pabón, J. D., Flórez Zuluaga, J. A., & Hernández Lordui, M. P. (2025). Detección de anomalías en trayectorias de vuelo utilizando autoencoders y segmentación del espacio aéreo basada en regiones de Voronoi. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(45), 82–90. https://doi.org/10.24054/rcta.v1i45.3496	es_CO
dc.identifier.issn	1692-7257	-
dc.identifier.issn	2500-8625	-
dc.identifier.uri	http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/9479	-
dc.description	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.	es_CO
dc.description.abstract	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.	es_CO
dc.format.extent	9	es_CO
dc.format.mimetype	application/pdf	es_CO
dc.language.iso	es	es_CO
dc.publisher	Aldo Pardo García, Revista Colombiana de Tecnologías de Avanzada, Universidad de Pamplona.	es_CO
dc.relation.ispartofseries	82;90	-
dc.subject	detección de anomalías	es_CO
dc.subject	autoencoder	es_CO
dc.subject	machine learning	es_CO
dc.subject	aprendizaje no supervisado	es_CO
dc.subject	regiones de voronoi	es_CO
dc.title	Detección de anomalías en trayectorias de vuelo utilizando autoencoders y segmentación del espacio aéreo basada en regiones de Voronoi	es_CO
dc.type	http://purl.org/coar/resource_type/c_2df8fbb1	es_CO
dc.description.edition	Vol. 1 Núm. 45 (2025): Enero – Junio	es_CO
dc.relation.references	R. H. Cáceres León, “Meteorología aplicada a la seguridad de las operaciones aéreas,” Ciencia y Poder Aéreo, Jun. 2017, doi: https://doi.org/10.18667/9789585996113.	es_CO
dc.relation.references	J. Ortega, J. Florez, S. Lorduy, G. Jimenez, and O. Quintero, “Improve decision-making process in Air Command and Control Systems with meteorological data fusion,” in 2021 International Conference on Decision Aid Sciences and Application (DASA), IEEE, Dec. 2021, pp. 636–642. doi: 10.1109/DASA53625.2021.9682330.	es_CO
dc.relation.references	J. Mendling, C. Di Ciccio, H. van der Aa, C. Cabanillas, and J. Prescher, “Detecting flight trajectory anomalies and predicting diversions in freight transportation,” Decis Support Syst, 2016, doi: 10.1016/j.dss.2016.05.004.	es_CO
dc.relation.references	M. Ahmed, A. Naser Mahmood, and J. Hu, “A survey of network anomaly detection techniques,” Journal of Network and Computer Applications, vol. 60, pp. 19–31, Jan. 2016, doi: 10.1016/j.jnca.2015.11.016.	es_CO
dc.relation.references	R. A. Ariyaluran Habeeb, F. Nasaruddin, A. Gani, I. A. Targio Hashem, E. Ahmed, and M. Imran, “Real-time big data processing for anomaly detection: A Survey,” Int J Inf Manage, vol. 45, no. February, pp. 289–307, Apr. 2019, doi: 10.1016/j.ijinfomgt.2018.08.006.	es_CO
dc.relation.references	M. E. Villa-Pérez, M. Á. Álvarez-Carmona, O. Loyola-González, M. A. Medina-Pérez, J. C. Velazco-Rossell, and K.-K. R. Choo, “Semi-supervised anomaly detection algorithms: A comparative summary and future research directions,” Knowl Based Syst, vol. 218, p. 106878, Apr. 2021, doi: 10.1016/j.knosys.2021.106878.	es_CO
dc.relation.references	L. Coelho e Silva and M. C. R. Murça, “A data analytics framework for anomaly detection in flight operations,” J Air Transp Manag, vol. 110, Jul. 2023, doi: 10.1016/j.jairtraman.2023.102409.	es_CO
dc.relation.references	M. Aksoy, O. Ozdemir, G. Guner, B. Baspinar, and E. Koyuncu, “Flight trajectory pattern generalization and abnormal flight detection with generative adversarial network,” in AIAA Scitech 2021 Forum, American Institute of Aeronautics and Astronautics Inc, AIAA, 2021, pp. 1–11. doi: 10.2514/6.2021-0775.	es_CO
dc.relation.references	X. Olive and L. Basora, “Detection and identification of significant events in historical aircraft trajectory data,” Transp Res Part C Emerg Technol, vol. 119, Oct. 2020, doi: 10.1016/j.trc.2020.102737.	es_CO
dc.relation.references	M. Memarzadeh, B. Matthews, and T. Templin, “Multiclass Anomaly Detection in Flight Data Using Semi-Supervised Explainable Deep Learning Model,” Journal of Aerospace Information Systems, vol. 19, no. 2, pp. 83–97, Feb. 2022, doi: 10.2514/1.I010959.	es_CO
dc.relation.references	A. Chevrot, A. Vernotte, and B. Legeard, “CAE: Contextual auto-encoder for multivariate time-series anomaly detection in air transportation,” Comput Secur, vol. 116, May 2022, doi: 10.1016/j.cose.2022.102652.	es_CO
dc.relation.references	M. Y. Pusadan, J. L. Buliali, and R. V. Hari Ginardi, “Cluster Phenomenon to Determine Anomaly Detection of Flight Route,” Procedia Comput Sci, vol. 161, pp. 516–526, 2019, doi: 10.1016/j.procs.2019.11.151.	es_CO
dc.relation.references	S. J. Corrado, T. G. Puranik, O. P. Fischer, and D. N. Mavris, “A clustering-based quantitative analysis of the interdependent relationship between spatial and energy anomalies in ADS-B trajectory data,” Transp Res Part C Emerg Technol, vol. 131, Oct. 2021, doi: 10.1016/j.trc.2021.103331.	es_CO
dc.relation.references	Jose Ortega, Jimmy Florez, Mónica Hernández, and Jhon Escobar, “Trajectory Validation for Decision Making in Air. Traffic Management Using Voronoi Diagram,” Journal of Artificial Intelligence and Soft Computing Research, vol. 12, no. 4, 2022, [Online]. Available: https://www.webology.org/data-cms/articles/20230215105345pmWEBOLOGY%2019%20(6)%20-%20164.pdf	es_CO
dc.relation.references	M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise,” in Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, in KDD’96. AAAI Press, 1996, pp. 226–231.	es_CO
dc.relation.references	Unidad Administrativa Especial de la Aeronáutica civil (organization), “ENR 3.2 RUTAS ATS SUPERIORES ENR 3.2 UPPER ATS ROUTES,” Aug. 2024, Accessed: Sep. 20, 2024. [Online]. Available: https://www.aerocivil.gov.co/servicios-a-la-navegacion/servicio-de-informacion-aeronautica-ais/Documents/AIP%20AMDT%2065_23/ENR/ENR%203.2.pdf	es_CO
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2	es_CO
dc.type.coarversion	http://purl.org/coar/resource_type/c_2df8fbb1	es_CO
Aparece en las colecciones:	Revista Colombiana de Tecnologias de Avanzada (RCTA)

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
Art09_V1_N45_2025_esp.pdf	Art09_V1_N45_2025_esp	686,69 kB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem

DSpace JSPUI

DSpace almacena y facilita el acceso abierto a todo tipo de contenido digital incluyendo texto, imágenes, vídeos y colecciones de datos.