基于GAT-TCN-Transformer的ADS-B多特征数据检测方法

来源：信号处理杂志 2025年第12期北京时间：

作者：洪玉, 杨晶晶, 黄铭

摘要：广播式自动相关监视系统（Automatic Dependent Surveillance-Broadcast， ADS-B）是主要的空中交通监视技术。然而由于无线传输的开放性和系统未加密等原因容易受到干扰从而使数据产生异常。ADS-B信号异常将影响空中交通安全、空域容量管理与运行效率。目前，机器学习和深度学习模型在ADS-B异常检测问题中得到广泛应用，但是大部分方法没有对数据中多个特征的相关性等特征进行提取和增强，因此存在对于部分异常类型识别精度不高的问题。针对目前ADS-B时间系列数据检测存在的问题，设计了一种基于图注意力网络-时间卷积网络-Transformer（（Graph Attention Networks， GAT）-（Temporal Convolutional Networks， TCN）-Transformer）的ADS-B异常数据检测模型，并扩展了异常数据集。模型将ADS-B数据以图结构表示，利用了ADS-B数据的时空关联特性，通过联合优化重构和预测模型的结果，实现对多维参数的深层特征提取与异常检测。在阈值设置部分采用了过尖峰阈值（Peak Over Threshold，POT）的设置方法，该方法通过流式过尖峰阈值（Streaming Peak Over Threshold，SPOT）概率模型动态确定异常分类阈值，具有更好的适应性。在扩展后的数据集上GAT-TCN-Transformer模型异常检测平均F1值达到0.941，相较于长短期记忆网络（Long Short-Term Memory， LSTM）和TCN等经典模型，F1分数平均提升13%。相比于现有的ADS-B异常检测方法，该研究提升了ADS-B时间系列数据的异常检测精度，实验结果表明了将ADS-B数据用图进行表达对提高异常检测率有效，为复杂空域环境下的飞行器状态监控提供了参考，对民航交通管制和无线电管理等部门有参考价值。

关键词：ADS-B数据, 异常检测, 注意力机制, 特征融合