TailBooster: 運用妥当性を担保する極値拡張のための二層生成フレームワーク

要旨

航空輸送における深刻な到着遅延や異常な飛行時間などの極端な事象は、連鎖的なネットワーク混乱を引き起こし、運用上・経済上・安全上の多大なコストをもたらす。こうした事象は履歴データに稀にしか存在せず、機械学習モデルの学習シグナルが不十分になる。合成データ拡張は原理的な解決策を提供するが、従来の生成モデルは分布の裾を過小表現し、短い飛行時間と長い飛行距離の組み合わせのような、運用上実行不可能な事例を排除する保証がない。混合型のテーブルデータ記録を対象に、これら両方の限界に対処した既存手法は存在しない。本論文では、生成的モデリングと2つの異常検出層を組み合わせた2層生成フレームワークTailBoosterを提案する。統計層は四分位範囲（IQR）を用いて極値を抽出し、裾に集中した学習シグナルを専用の生成モデル（ここでは表形式変分オートエンコーダ、TVAE）に供給する。続いて深層学習層がオートエンコーダに基づくクリーニングを適用し、履歴データから学習された運用上の実行可能範囲（operational envelope）に違反する合成レコードを破棄する。本フレームワークは、米国のフライト記録を用いて、多様性、統計的類似性、忠実度、運用上の妥当性、有用性の5つの観点から評価された。このうち後者の2つ（運用上の妥当性と有用性）が主な改善対象である。データ駆動型のクリーニングは運用上の妥当性を著しく改善し、対象を絞ったデータ拡張は極端な事象の予測における有用性を向上させた。6種類の回帰アルゴリズムにわたり、本フレームワークのレコードで学習した場合、従来の合成データと比較して、極端な飛行時間の予測では平均絶対誤差（MAE）が47〜49%、極端な到着遅延の予測では29〜57%減少した。実レコードを合成極値で補強した場合にも、同等の改善効果が得られた。TailBoosterは完全にデータ駆動型でありモデル非依存であるため、極端な事象の予測が重要であり、かつドメイン固有のルールが利用できない領域にも適用できる。

English

Extreme events in air transport, such as severe arrival delays and abnormal air times, cause cascading network disruptions with substantial operational, economic, and safety costs. Such events are rare in historical records, leaving insufficient training signal for machine learning models. Synthetic data augmentation offers a principled solution, but conventional generative models under-represent distributional tails and give no guarantee against operationally infeasible instances, such as a short air time paired with a long flight distance. No existing approach addresses both limitations for mixed-type tabular records. We propose TailBooster, a dual-layer generative framework combining generative modelling with two anomaly detection layers. A statistical layer extracts extremes via the interquartile range, supplying tail-concentrated training signal to dedicated generative models, here a Tabular Variational Autoencoder. A deep learning layer then applies autoencoder-based cleaning, discarding synthetic records that violate the operational envelope learned from historical data. The framework was evaluated on US flight records across five dimensions: diversity, statistical similarity, fidelity, operational validity, and utility, the latter two being the primary improvement targets. Data-driven cleaning markedly improved operational validity, while targeted augmentation enhanced utility for extreme-event prediction. Across six regression algorithms, training on the framework's records reduced Mean Absolute Error by 47-49% on extreme air time and 29-57% on extreme arrival delay prediction relative to conventional synthetic data, with comparable gains when real records were enriched with synthetic extremes. Being fully data-driven and model-agnostic, TailBooster extends to domains where extreme-event prediction is critical and domain-specific rules are unavailable.