TailBooster: 운영 유효성 강제를 포함한 극단값 증강을 위한 이중 계층 생성 프레임워크

초록

항공 운송에서의 극단 사건, 예컨대 심각한 도착 지연이나 비정상적 비행 시간은 연쇄적 네트워크 교란을 유발하며, 이는 상당한 운영·경제·안전 비용을 초래한다. 이러한 사건은 역사적 기록에서 드물게 발생하므로, 기계 학습 모델에 충분한 학습 신호를 제공하지 못한다. 합성 데이터 증강은 이에 대한 원리적인 해결책을 제공하지만, 기존의 생성 모델은 분포의 꼬리 부분을 과소 대표하며, 짧은 비행 시간과 긴 비행 거리가 짝을 이루는 경우처럼 운영상 실행 불가능한 사례가 생성되지 않을 것이라는 보장도 없다. 혼합형 테이블 데이터 레코드에 대해 두 가지 한계를 모두 해결한 기존 접근법은 없다. 본 연구는 생성 모델링과 두 개의 이상 탐지 계층을 결합한 이중 계층 생성 프레임워크인 TailBooster를 제안한다. 통계적 계층은 사분위 범위를 통해 극단값을 추출하여, 전용 생성 모델(본 연구에서는 테이블형 변분 오토인코더)에 꼬리 집중 학습 신호를 공급한다. 이후 딥러닝 계층은 오토인코더 기반 정제를 적용하여, 과거 데이터로부터 학습된 운영 범위를 위반하는 합성 레코드를 폐기한다. 본 프레임워크는 미국 항공편 기록을 대상으로 다양성, 통계적 유사성, 충실도, 운영 타당성, 효용성의 다섯 가지 차원에서 평가되었으며, 후자의 두 가지가 주요 개선 목표이다. 데이터 기반 정제는 운영 타당성을 현저히 개선했고, 표적 증강은 극단 사건 예측의 효용성을 향상시켰다. 여섯 가지 회귀 알고리즘에 걸쳐, 프레임워크의 레코드로 훈련한 결과 기존 합성 데이터 대비 극단 비행 시간 예측의 평균 절대 오차가 47~49%, 극단 도착 지연 예측의 평균 절대 오차가 29~57% 감소했으며, 실제 레코드에 합성 극단값을 추가로 보강했을 때에도 유사한 성능 향상이 관찰되었다. TailBooster는 완전히 데이터 기반이며 모델에 구애받지 않으므로, 극단 사건 예측이 중요하고 도메인별 규칙을 이용할 수 없는 영역으로 확장 가능하다.

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.