Diffusionsmodelle überzeugen: 5 % Dublin-Daten reichen für Transfer‑Learning

Die Verfügbarkeit von Flugtrajektorien ist für die Entwicklung und Validierung moderner Luftverkehrsmanagement‑Lösungen unverzichtbar. In vielen kleineren und regionalen Flughäfen fehlt jedoch die notwendige Datenmenge, was den Einsatz von Machine‑Learning‑Methoden stark einschränkt.

Eine neue Untersuchung auf arXiv (2511.04155v1) prüft, ob generative Modelle, die an datereicheren Flughäfen wie Zürich trainiert wurden, auf Flughäfen mit wenigen Daten wie Dublin übertragen werden können. Dazu wurden moderne Diffusions‑ und Flow‑Matching‑Architekturen speziell für die Luftfahrt angepasst.

Die Ergebnisse sind beeindruckend: Diffusionsmodelle, die mit nur 5 % der Dublin‑Daten feinjustiert wurden, erreichen bereits eine Leistung, die mit 20 % Daten vergleichbar ist, und übertreffen Modelle, die von Grund auf neu trainiert wurden. Latent‑Flow‑Matching‑ und Latent‑Diffusion‑Modelle profitieren ebenfalls von der Vortrainierung, zeigen jedoch größere Schwankungen in den Gewinnen.

Obwohl seltene Trajektorienmuster noch schwerer zu erfassen sind, demonstriert die Studie, dass Transfer‑Learning den Datenbedarf für die Generierung von Flugtrajektorien drastisch senken kann. Damit wird die Erstellung realistischer synthetischer Daten auch in Umgebungen mit begrenzten historischen Aufzeichnungen möglich.