摘要：本文利用美国联邦航空管理局提供的交通流量管理系统 (TFMS) 特定航线固定翼飞机轨迹公共数据集，测量了六种轨迹预测模型的两个主要因素，包括回归准确性和对抗攻击鲁棒性。从基本的常规到高级的深度学习，六种数据驱动的回归器及其所需的架构，从其预测轨迹的准确性和可靠性方面进行了探索。本文的主要贡献是针对飞机轨迹问题描述了对抗样本的存在，本文将其重铸为回归任务。换句话说，虽然数据驱动算法是目前最好的回归器，但它们可能会受到对抗样本的攻击。对抗样本类似于训练样本；然而，它们会导致经过精细训练的回归器做出错误的预测，这对基于学习的轨迹预测算法构成了安全隐患。结果表明，尽管基于深度学习的算法（例如长短期记忆 (LSTM)）相对于传统分类器（例如支持向量回归 (SVR)）具有更高的回归准确度，但它们对精心设计的状态更敏感，这些状态可以被精心操纵，甚至可以将其预测状态重定向到不正确的状态。这一事实对飞机构成了真正的安全问题，因为对抗性攻击可以重新