Analysis and application of deep learning-based generation techniques for aircraft trajectory data augmentation

항공기 궤적 데이터는 항공 교통 관리, UAV 자율 비행, 비행 시뮬레이션 등 다양한 항공 분야에서 핵심 자원으로 활용되며, 그 다양성과 현실성 확보는 고도화된 항공 운용을 위한 필수 조건이다. 그러나 실제 환경에서 수집 가능한 궤적 데이터는 민감성, 희소성, 클래스 불균형 등의 문제로 인해 제한적이며, 이는 예측 모델의 일반화 성능 저하로 이어진다. 본 논문은 이러한 한계를 극복하기 위해 적용 가능한 딥러닝 기반 궤적 생성기법(GAN, VAE, Diffusion Model)을 체계적으로 분석하고, 각 기법의 생성 품질, 시계열 일관성, 학습 안정성 등을 비교·평가하였다. 분석 결과, GAN은 고품질 데이터를 빠르게 생성하는 데 적합하고, VAE는 다양한 조건 기반의 궤적 패턴 생성에 효과적이며, 확산 모델은 고정밀 궤적 생성에 우수한 성능을 보였다. 이를 바탕으로 하이브리드 생성기법 적용, 조건부 생성의 고도화, 실시간 적용을 위한 경량화, 공공 데이터셋 기반의 확장 등 향후 연구 방향을 제안하였다. 본 연구는 궤적 데이터 증강을 위한 딥러닝 기반 생성기법의 기술적 특성과 실용적 응용 가능성 간의 연계를 탐색한 기초 연구로서 의의를 지닌다.