tartanaviation-adsb-19k-clean

TartanAviation ADS-B数据集包含了19,714个经过严格清洗和验证的高质量ADS-B轨迹数据点，适用于航空、强化学习和轨迹预测的机器学习研究。数据集包含17个全面特征，如飞机ID、时间戳、高度、速度、航向、地理位置和元数据等。数据覆盖了2022年1月至10月的俄亥俄空域（KBTP机场区域），并提供CSV和JSONL两种格式。

The TartanAviation ADS-B Dataset comprises 19,714 high-quality ADS-B trajectory data points that have undergone rigorous cleaning and validation, suitable for machine learning research in aviation, reinforcement learning and trajectory prediction. The dataset includes 17 comprehensive features such as aircraft ID, timestamp, altitude, speed, heading, geographic location, metadata and etc. The data covers the Ohio airspace (KBTP airport area) from January to October 2022, and is provided in both CSV and JSONL formats.

原始信息汇总

TartanAviation ADS-B 数据集（19.7K 清洁样本）概述

数据集简介

19,714 个高质量的 ADS-B 轨迹数据点，来自飞机运行数据，经过严格清洗和验证。适用于航空、强化学习和轨迹预测的机器学习研究。

关键特征

• 19,714 个清洁样本（无缺失数据，无重复项）
• 17 个全面特征，包括飞机 ID、时间戳组件、高度、速度、航向、地理位置和元数据
• 数据周期：2022 年 1 月至 10 月
• 地理覆盖范围：俄亥俄空域（KBTP 机场区域）
• 可用格式：CSV（人类可读）和 JSONL（机器学习优化）

数据集结构（17 列）

• 时间：年、月、日、时、分、秒
• 飞机状态：aircraft_id、altitude_ft、ground_speed_kts、heading_deg
• 位置：latitude、longitude
• 元数据：aircraft_tail、data_age_sec、range_nm、bearing_deg、altitude_is_gnss

用途

• 空中交通管理的强化学习
• 飞机轨迹预测
• 图神经网络建模
• 航空安全分析
• 飞行动力学的时间序列预测

数据集统计

• 样本数：19,714
• 特征数：17
• 唯一飞机数：4,946
• 时间周期：2022 年 1 月至 10 月
• 区域：俄亥俄空域（KBTP 机场区域）
• 数据质量：100% 完整，已验证

引用信息

@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} }

搜集汇总

数据集介绍

构建方式

在航空数据科学领域，TartanAviation ADS-B数据集的构建采用了自动化采集与多重清洗流程。原始数据源自2022年1月至10月俄亥俄空域KBTP机场区域的ADS-B地面接收站，通过信号解码获取飞行器实时状态参数。经过严格的数据验证流程，剔除了重复记录与缺失值，最终形成包含19,714条完整轨迹样本的高质量数据集，每条样本包含17维特征字段。

特点

该数据集的核心特征体现在其时空完整性与多维参数体系。所有样本均包含精确到秒级的时间戳、经纬度坐标、气压高度与GNSS高度标识，以及地速、航向等飞行状态参数。数据集覆盖4,946架航空器的运行轨迹，呈现出俄亥俄空域典型的终端区运行模式，为研究航空器爬升、下降阶段的动力学行为提供了高精度观测基础。

使用方法

研究者可通过CSV或JSONL格式直接加载数据集进行时空序列分析。基于Pandas等工具可快速提取特定航空器轨迹片段，或按时间窗口构建训练样本。该数据适用于端到端的轨迹预测模型训练、强化学习环境构建，以及图神经网络中的航空器交互关系建模，使用时需注意保持时间序列的连续性特征与空域地理约束。

背景与挑战

背景概述

航空监视技术领域自自动相关监视广播（ADS-B）系统普及以来，飞行轨迹数据采集能力得到显著提升。TartanAviation ADS-B数据集由Pathange团队于2024年构建，聚焦俄亥俄空域2022年1月至10月的航空器运行轨迹，包含19,714条经过严格清洗的样本数据。该数据集通过17维特征全面记录航空器时空状态与元数据，为航空运输系统的智能决策研究提供了高质量基准数据，显著推动了空中交通管理、轨迹预测及强化学习在航空领域的应用发展。

当前挑战

航空器轨迹预测面临动态环境适应性、多航空器交互建模及高精度时空序列预测等核心挑战。数据集构建过程中需克服ADS-B原始数据存在的信号丢失、噪声干扰及时空不对齐问题，通过多重验证机制确保数据完整性与一致性。此外，航空器运行模式的异构性及空域复杂时空相关性对机器学习模型的表征能力提出了更高要求，需开发专门针对航空动力学特性的特征工程与建模方法。

常用场景

经典使用场景

在航空交通管理研究领域，该数据集为轨迹预测模型提供了高质量的训练样本。研究者利用其完整的时空特征序列，构建深度神经网络来模拟飞行器运动模式，通过历史轨迹数据预测未来飞行路径，显著提升了空中交通流量管理的精确度。

解决学术问题

该数据集有效解决了航空信息学中轨迹数据质量不一致的学术难题，为强化学习在空域管理中的应用提供标准化数据基础。其清洗后的时序特征使研究者能够专注于算法创新，而非数据预处理，推动了飞行安全预警和动态航路优化等关键研究方向的发展。

衍生相关工作

基于该数据集衍生的经典工作包括时空图神经网络在多机协同预测中的应用，以及结合强化学习的动态航路规划系统。这些研究不仅发表了多篇顶级会议论文，还催生了开源航空分析工具库的开发，形成了完整的航空人工智能研究生态。