Naventra Air Traffic Dataset

Naventra是一个基于实时ADS-B交通数据的AI原生空中交通控制控制台，它通过持续监控和评分实际着陆事件，生成标记的训练数据集。数据集包含约25个因素，如进近几何、飞机类型、实时风分量、交通密度等，并以JSONL格式导出，用于机器学习模型训练。Naventra is an AI-native air traffic control console based on real-time ADS-B traffic data. It generates labeled training datasets by continuously monitoring and scoring actual landing events. The dataset contains approximately 25 factors such as approach geometry, aircraft type, real-time wind components, traffic density and more, and is exported in JSONL format for machine learning model training.

原始信息汇总

数据集概述：Naventra — AI Air Traffic Command

Naventra 是一个面向空管领域的数据集与系统，专注于实时空中交通指挥与 AI 决策评分。核心功能包括：

• 实时空中交通处理：通过 ADS-B 数据源（如 airplanes.live、adsb.lol、adsb.fi）实时获取 12 个国际主要机场（JFK、LAX、ATL、ORD、SFO、SEA、LHR、CDG、FRA、HND、HKG、DXB）的飞机航迹。
• AI 决策与评分：系统内置一个确定性规则引擎，自主完成跑道配置选择、进近排序、间隔监控、地面物流分配等 TRACON 管制员工作。每个进近航班被锁定为预测（跑道端、接地时间、着陆顺序等），实际着陆后基于观测数据对比评分，并实时显示准确率。
• 数据生成与导出：每次验证后的着陆被记录为标注训练样本，包含约 25 个特征（进近几何、机型、风速、云底高、时段、跑道配置、交通密度等），可通过 /api/dataset.jsonl 导出为 JSONL 格式，用于离线训练完整 ML 模型。

数据来源（免费、无需 API 密钥）

数据类别	来源	备注
实时飞机航迹（主）	airplanes.live	CORS 开放，包含机型与运营商信息
实时飞机航迹（备用）	adsb.lol、adsb.fi	通过开发/部署代理重写
气象数据	aviationweather.gov METAR API	真实 METAR，覆盖所有 ICAO 机场
气象数据（备用）	api.weather.gov 最新观测	美国境内机场，CORS 开放

当实时数据源不可用时，可切换至基于物理的仿真模式，仿真使用机场真实跑道几何、航司组合与当前天气。

系统特色

• 在线学习：每次验证的真实着陆会更新每个机场的跑道先验概率（P(跑道 | 进近方向)）和 ETA 偏差修正，使系统越用越准。
• 始终在线追踪（可选后端）：通过 Cloudflare Worker 在后台 24/7 对 JFK、LAX、LHR 进行评分，数据存入免费 D1 数据库，形成持续改进的全球分数。
• 可视化：提供 3D TRACON 显示（Three.js）和经典 2D 雷达显示，支持拖拽旋转、缩放与点击检视。

架构概要

整个系统无需后端，决策引擎、数据源处理、评分全部在客户端运行。核心代码结构如下：

src/ data/airports.js 机场规格数据库（跑道、频率、航站楼、航司） lib/geo.js 测地学与最近相遇点计算（Haversine、航迹推算、风分量） lib/adsb.js 实时 ADS-B 数据摄取与多源故障切换 lib/weather.js 气象数据获取与解码 lib/sim.js 基于物理的交通仿真回退 engine/atc.js 决策核心：分配、飞行阶段、排序、间隔监控、通信 engine/predictions.js 评分卡：预测锁定、真实值评分、持久化 hooks/useAtcSystem.js 协调：轮询、故障切换、引擎更新、事件差异比较 components/ 3D 雷达与 2D 雷达控制台组件 pages/Guide.jsx 操作指南：屏幕地图、评分方法、术语解释

运行方式

• 安装依赖：npm install
• 启动开发服务器：npm run dev（默认 http://localhost:5173）
• 部署：预配置 Vercel（vercel.json）与 Netlify（netlify.toml），npm run build 后可直接部署

补充说明

• 仅真实交通数据计入持久化评分，模拟数据评分仅屏幕展示；复飞航班预测作废；无法分类的着陆被丢弃而非猜测。
• 冲突警告不参与评分（真实管制员解决预测冲突不算失误）。
• 所有航空通信使用真实 VHF 术语和航司呼号（如 "Speedbird"、"Cathay"）。

搜集汇总

数据集介绍

构建方式

Naventra Air Traffic Dataset通过融合多源实时数据与离线仿真技术构建而成。其核心数据源于全球12大主要机场周边的实时ADS-B应答器信号，经由airplanes.live、adsb.lol及adsb.fi等公共服务接口采集，并辅以aviationweather.gov和weather.gov提供的实时METAR气象观测数据。为确保数据连续性与鲁棒性，系统内置了基于真实机场跑道几何参数、航空公司机队构成及当前天气条件的物理仿真引擎作为故障回退机制。所有交通轨迹数据均经过去冗余、相位分类（航路→进场→进近→最终→地面）及跑道分配等处理流程，每次航班落地后，系统将自动比对预测结果与实测数据，生成包含约25个特征维度（如进场几何构型、机型与尾流类别、实时风分量、云底高、飞行气象条件、时段、跑道配置及交通密度等）及其对应结果的结构化训练样本，并以JSONL格式通过/api/dataset.jsonl接口持续导出，形成了持续增长的高质量数据集。

使用方法

该数据集的使用方式充分体现了开箱即用的设计理念。用户无需配置任何API密钥或外部服务，即可通过执行npm install与npm run dev命令在本地运行完整系统，Vite开发服务器会自动处理非CORS兼容API的代理转发。对于生产部署，项目预配置了Vercel与Netlify的部署规则文件，用户仅需执行npm run build并上传仓库即可完成上线。数据集的获取最为直接——通过HTTP请求访问/api/dataset.jsonl接口即可获得完整的JSONL格式训练数据，该接口无需鉴权且完全免费。用户可利用这些持续增长的标注数据在离线环境下训练自定义的机器学习模型，并通过纯JavaScript推理引擎将其部署回系统。对于希望利用全球聚合评分数据的用户，可通过设置VITE_TRACKER_URL环境变量启用Cloudflare Worker后端，使所有访问者共享同一份持续改进的全局数据集。

背景与挑战

背景概述

Naventra Air Traffic Dataset诞生于人工智能与航空管制深度融合的前沿探索之中，由一支专注于AI原生空中交通管制系统的研究团队打造。该数据集的核心价值在于，它并非静态的标注集合，而是一个持续演进的、基于真实世界空中交通运行的动态数据资产。研究团队通过构建一个自主运行的AI管制决策核心，实时接入全球多个主要枢纽机场（如JFK、LAX、LHR）的ADS-B广播式自动相关监视信号与METAR气象报文，模拟终端进近管制（TRACON）的核心工作流程，包括跑道配置决策、进港排序、间隔监控与地面物流分配。该数据集的独特之处在于其内置的AI计分卡机制：每当一架进港航班完成实际着陆，系统便会锁定先前的预测（如跑道端、预计着陆时间、排序顺序），并与从观测数据中提取的地面真相进行对比，从而生成持续更新的准确率指标。这一机制不仅使AI的决策过程完全透明且可审计，更将每一次成功分级后的着陆记录转化为包含约25个特征因子的结构化训练样本，以JSONL格式开放导出，为后续的机器学习模型训练提供了源源不断的、经过真实世界验证的高质量标注数据。

当前挑战

该数据集所应对的核心领域挑战在于，如何为AI驱动的空中交通管制系统构建一个可量化、可持续自我改进的性能评估框架。传统管制系统的评估往往依赖人工复盘或模拟场景，缺乏实时、客观且连续的性能度量手段。Naventra通过将预测与真实观测结果进行自动比对，实现了对AI决策精准度的持续监控，但这本身也带来了多重挑战：其一，数据源的可靠性与完整性问题，尽管系统设计了多源故障切换机制（airplanes.live、adsb.lol、adsb.fi），但实时ADS-B数据在部分空域可能存在覆盖盲区或信号失真，进而影响地面真相的精确提取；其二，异常情况的处理逻辑，系统明确排除了复飞航班、无法分类的着陆以及VFR目视飞行规则的冲突预警，但这些边缘场景的剔除策略是否合理、是否会导致评估偏差，仍需审慎验证；其三，数据集的规模与多样性受限于可供接入的机场数量和实际交通流量，如何在保持数据真实性的前提下扩展至更多机场与更复杂的运行场景（如恶劣天气、军事活动区），是数据集后续发展必须攻克的技术瓶颈。

常用场景

经典使用场景

在航空交通管理领域，Naventra Air Traffic Dataset为研究者提供了一个前所未有的实验平台，其核心价值在于将真实世界的空中交通数据与AI决策引擎深度融合。该数据集最经典的使用场景是构建和验证自主终端雷达进近管制（TRACON）系统：通过实时摄入ADS-B广播式自动相关监视数据与METAR气象报文，系统能够自主完成跑道配置选择（基于实时风向风速计算各跑道端分量）、进港航班排序（按预计到达时间建立序列并分配平行跑道）、安全间隔监控（利用最近接近点算法进行150秒前瞻预测）以及地面物流调度。研究者可借助该平台模拟真实管制场景，评估AI模型在连续运行的动态空域中的决策效能。

解决学术问题

该数据集巧妙解决了航空交通管理研究中长期存在的两大核心难题：一是真实训练数据的匮乏，二是模型评估的基准缺失。传统研究常依赖合成数据或脱敏历史记录，难以捕捉真实运行环境的复杂性与随机性。Naventra通过持续记录每次着陆事件的25维度特征（包含进场几何参数、航空器类型与尾流等级、实时风分量、跑道配置、交通密度等）及其观测结果，构建了一个不断增长的标注训练集。研究者可借此训练机器学习模型，预测跑道占用、着陆时序偏差及冲突概率等关键指标。该数据集的意义在于它建立了一个闭环验证框架——AI的每一次决策都能与真实结果进行对照评分，从而推动可解释的、可审计的智能化管制系统发展。

实际应用

在实际应用层面，Naventra Air Traffic Dataset展现出了多维度的实践价值。对于航空运营主体，它可作为辅助决策工具，帮助塔台和进近管制员评估不同气象条件下的最优跑道配置方案，减少因临时变更导致的燃油消耗与延误。对于空管培训领域，该数据集驱动的仿真环境能够生成逼真的场景化训练案例，使学员在无需承担真实安全风险的情况下，掌握多跑道协同管理与异常处置（如复飞、低能见度运营）等复杂技能。此外，机场运营商可利用其累积的历史预测数据与评分记录，识别运行瓶颈——例如特定进场方向下的跑道分配失衡或时序偏差规律，从而优化地面停机位分配策略与廊桥调度方案。

数据集最近研究

最新研究方向

在智慧空管与自主空中交通管理的前沿，Naventra Air Traffic Dataset开创性地将实时ADS-B广播式自动相关监视数据、METAR气象观测与自主决策引擎深度融合，构建了一个可自评、可迭代的AI空管实验平台。其核心创新在于“预测-锁定-验证”机制：系统对每架进场航空器的跑道分配、落地时刻与排序做出确定性预测，待真实着陆后依据实测轨迹与时间进行自动评分，形成闭环的精度评估体系。这种将实时运行数据转化为带标签训练样本（约25维特征）的方法，为从规则引擎向机器学习模型演进提供了持续、干净的监督学习数据源。当前研究热点集中于利用该数据集探索在线学习与迁移学习在终端区排序优化中的应用，例如基于历史跑道使用先验与ETA偏差修正的持续自改进模型，以及如何将实时耦合的告警逻辑、复飞处理与站位指派等复杂场景纳入统一的端到端预测框架，推动下一代高可信、可解释的AI空管系统从仿真验证迈向实际部署。