Gogul001/tartanaviation-adsb-19k-clean

--- license: mit task_categories: - tabular-regression - time-series-forecasting tags: - aviation - adsb - aircraft-tracking - trajectories - reinforcement-learning - tabular-data - time-series size_categories: - 10K<n<100K --- # TartanAviation ADS-B Dataset (19.7K Clean Samples) ## Dataset Description **19,714 high-quality ADS-B trajectory datapoints** from aircraft operations, rigorously cleaned and validated. Perfect for machine learning research in aviation, reinforcement learning, and trajectory prediction. ## Key Features - 19,714 clean samples (no missing data, no duplicates) - 17 comprehensive features including aircraft ID, timestamp components, altitude, speed, heading, geolocation, and metadata - Data period: January to October 2022 - Geographic coverage: Ohio airspace (KBTP airport region) - Formats available: CSV (human-readable) and JSONL (ML-optimized) ## Dataset Structure (17 columns) - Temporal: year, month, day, hour, minute, second - Aircraft State: aircraft_id, altitude_ft, ground_speed_kts, heading_deg - Location: latitude, longitude - Metadata: aircraft_tail, data_age_sec, range_nm, bearing_deg, altitude_is_gnss ## Use Cases - Reinforcement learning for air traffic management - Aircraft trajectory prediction - Graph neural networks modeling - Aviation safety analysis - Time series forecasting for flight dynamics ## Quick Start import pandas as pd Load CSV dataset df = pd.read_csv('tartanaviation_adsb_19k_clean.csv') print(f"Dataset shape: {df.shape}") print(f"Unique aircraft: {df['aircraft_id'].nunique()}") text ## Dataset Stats - Samples: 19,714 - Features: 17 - Unique Aircraft: 4,946 - Time Period: January - October 2022 - Region: Ohio airspace (KBTP airport area) - Data Quality: 100% complete, validated ## Citation @dataset{tartanaviation_adsb_2024, title={TartanAviation ADS-B Dataset (19.7K Clean Samples)}, author={Pathange}, year={2024}, publisher={Hugging Face}, url={https://huggingface.co/datasets/Pathange/tartanaviation-adsb-19k-clean} } text undefined--- 许可证：MIT许可证（MIT License） 任务类别： - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 标签： - 航空（aviation） - 自动相关监视广播（Automatic Dependent Surveillance-Broadcast，ADS-B） - 航空器追踪（aircraft-tracking） - 航迹（trajectories） - 强化学习（reinforcement-learning） - 表格数据（tabular-data） - 时间序列（time-series） 样本量区间：10K<n<100K（样本量介于1万至10万之间） --- # TartanAviation ADS-B 数据集（19.7K 干净样本） ## 数据集描述 19,714个高质量的自动相关监视广播（Automatic Dependent Surveillance-Broadcast，ADS-B）航迹数据点，源自航空器运行场景，经过严格清洗与验证，适用于航空、强化学习及航迹预测领域的机器学习研究。 ## 核心特性 - 19,714个干净样本（无缺失数据、无重复条目） - 17项全面特征，涵盖航空器标识、时间戳组件、高度、速度、航向、地理位置及元数据 - 数据时段：2022年1月至10月 - 地理覆盖范围：俄亥俄州空域（KBTP机场区域） - 可用格式：CSV（人类可读格式）与JSONL（机器学习优化格式） ## 数据集结构（共17列） - 时间相关字段：年、月、日、时、分、秒 - 航空器状态字段：aircraft_id（航空器标识）、altitude_ft（英尺高度）、ground_speed_kts（地面速度节）、heading_deg（航向角，单位：度） - 地理位置字段：latitude（纬度）、longitude（经度） - 元数据字段：aircraft_tail（航空器尾号）、data_age_sec（数据时效秒数）、range_nm（测距海里数）、bearing_deg（方位角，单位：度）、altitude_is_gnss（全球导航卫星系统（Global Navigation Satellite System，GNSS）高度标识） ## 应用场景 - 空中交通管理的强化学习研究 - 航空器航迹预测 - 图神经网络建模 - 航空安全分析 - 飞行动力学时间序列预测 ## 快速入门 python import pandas as pd # 加载CSV数据集 df = pd.read_csv('tartanaviation_adsb_19k_clean.csv') print(f"数据集形状：{df.shape}") print(f"独特航空器数量：{df['aircraft_id'].nunique()}") ## 数据集统计信息 - 样本量：19,714 - 特征数：17 - 独特航空器数量：4,946 - 时间周期：2022年1月—10月 - 覆盖区域：俄亥俄州空域（KBTP机场区域） - 数据质量：100%完整且经过验证 ## 引用信息 bibtex @dataset{tartanaviation_adsb_2024, title={TartanAviation ADS-B 数据集（19.7K 干净样本）}, author={Pathange}, year={2024}, publisher={Hugging Face}, url={https://huggingface.co/datasets/Pathange/tartanaviation-adsb-19k-clean} }