SADAR
Smart Anomaly Detection for Aviation Routes
Detección temprana de comportamiento de vuelo no conforme sobre Madrid-Barajas (LEMD).
Descripción del proyecto
SADAR (Smart Anomaly Detection for Aviation Routes) es un sistema de deep learning que aprende cómo es una aproximación o despegue normal en Madrid-Barajas (LEMD) y marca cualquier trayectoria que se desvíe del patrón aprendido: motores y al aire (go-arounds), rutas anómalas, pérdidas de transpondedor o maniobras compatibles con una emergencia.
Está construido sobre tres autoencoders profundos entrenados con unos 20.000 vuelos reales de ADS-B de la red OpenSky: un autoencoder LSTM, un autoencoder Transformer y un VAE-LSTM. Los tres se entrenan en igualdad de condiciones y se comparan cabeza a cabeza; el VAE-LSTM es el que se sirve en producción porque combina la mejor PR-AUC con la menor latencia de detección.
Alcance. SADAR se entrena exclusivamente con operaciones normales de LEMD y funciona como monitor de conformidad de trayectorias: aprende el patrón normal y señala cualquier desviación para revisión humana. No es un predictor de eventos catastróficos.
Lo destacado
- Deep learning de una sola clase sobre 7 variables dinámicas (posición, altitud, velocidad, seno/coseno del rumbo, régimen vertical).
- Selección comparativa: baseline Isolation Forest vs LSTM vs Transformer vs VAE-LSTM con el mismo preprocesado y las mismas métricas.
- Banco de anomalías sintéticas con cinco tipos de inyección (desviación de ruta, salto de altitud, anomalía de velocidad, holding, congelado de transpondedor) en varias intensidades, mide PR-AUC y latencia de detección.
- Dashboard estilo torre de control con React + Vite: radar en vivo, ranking de anomalías, simulador con sliders y página de métricas.
- Totalmente reproducible:
uvpara Python,pnpmpara el front, configs YAML, semillas fijas.
Stack
| Capa | Herramientas |
|---|---|
| Modelos | PyTorch · scikit-learn (baseline) · Optuna · MLflow |
| Datos | pandas · pyarrow · pyproj · NumPy |
| Backend | FastAPI · uvicorn · uv |
| Frontend | React 18 · Vite 5 · TypeScript · framer-motion |
| Despliegue | Docker · Hugging Face Spaces |
Capturas de la demo
1. Consola torre - radar en directo sobre LEMD
Scope en tiempo real centrado en Barajas. Cada aeronave se colorea según su estado (en seguimiento / en alerta) y el panel lateral muestra todos los vuelos del espacio aéreo con su indicativo y su estado.
2. Simulador - inyecta una anomalía y observa la alerta
La estrella de la demo. Eliges un vuelo normal, seleccionas el tipo de anomalía (desviación de ruta, salto de altitud, velocidad, holding, corte de transpondedor), ajustas intensidad y momento, y la inyectas en vivo. El score de la derecha cruza el umbral y se reporta la latencia en segundos.
3. Métricas - comparación de modelos y detector elegido
Reporta la PR-AUC y el desempeño por anomalía de baseline, LSTM, Transformer y VAE-LSTM, además del motivo por el que se selecciona el VAE-LSTM como modelo de producción.
4. Métricas - desglose por tipo de anomalía
PR-AUC detallada por tipo de anomalía e intensidad. Sirve para justificar qué detector funciona mejor en cada modo de fallo.
5. Consola torre - instantánea completa del tráfico de LEMD
Vista más amplia del radar con toda la flota visible, bloque de datos del vuelo y, abajo a la derecha, el histograma en vivo del anomaly score.
6. Consola torre - alerta levantada sobre un vuelo
Una aeronave marcada se pone en rojo y el controlador recibe el score, el umbral y la clasificación sugerida en el panel derecho.
Arquitectura
┌──────────────────┐ ┌──────────────────┐
│ Parquet ADS-B │ │ Banco anomalías │
│ (OpenSky / LEMD)│ │ sintéticas │
└────────┬─────────┘ └────────┬─────────┘
│ │
┌────────▼────────┐ │
│ Preprocesado │ │
│ · limpieza │ │
│ · resample 10s │ │
│ · XY relativos │ │
│ · sin/cos rumbo │ │
│ · estandarizado │ │
└────────┬────────┘ │
│ │
┌────────▼────────────────────────────▼────────┐
│ Entrenamiento (solo vuelos normales) │
│ ┌──────────┐ ┌─────────────┐ ┌────────────┐ │
│ │ Isolation│ │ LSTM-AE │ │ Transformer│ │
│ │ Forest │ │ │ │ AE │ │
│ └──────────┘ └─────────────┘ └────────────┘ │
│ ┌─────────────────┐ │
│ │ VAE-LSTM ★ │ ← elegido │
│ └─────────────────┘ │
└────────┬─────────────────────────────────────┘
│ checkpoint + scaler + umbral
┌────────▼─────────┐
│ Servicio FastAPI│ /api/health · /api/scene
│ (uvicorn) │ /api/flights · /api/metrics
└────────┬─────────┘ /api/simulate
│
┌────────▼─────────┐
│ React + Vite │ Radar · Simulador · Métricas
│ dashboard │
└──────────────────┘
Ejecutarlo en local
Requisitos: Python 3.11, uv para las deps de Python, Node 20+ y pnpm para el frontend.
Dashboard en http://localhost:5180, API en http://localhost:8000.
macOS / Linux - con Makefile (recomendado)
uv sync
pnpm -C frontend install
make dev
make dev arranca el backend FastAPI y el frontend Vite juntos con hot reload.
macOS / Linux - sin Makefile
Dos terminales:
# terminal 1: backend
uv sync
uv run uvicorn sadar.serve.app:app --port 8000
# terminal 2: frontend
pnpm -C frontend install
pnpm -C frontend dev
Windows (PowerShell)
PowerShell no trae make; arranca los dos servicios en dos terminales.
# instalación una sola vez
uv sync
pnpm -C frontend install
# terminal 1: backend
uv run uvicorn sadar.serve.app:app --port 8000
# terminal 2: frontend
pnpm -C frontend dev
Si no tienes pnpm: npm install -g pnpm. Si no tienes uv: winget install astral-sh.uv.
Windows con Make (Chocolatey / scoop / WSL)
choco install make # o: scoop install make
make dev
O ejecuta todo dentro de WSL Ubuntu y sigue las instrucciones de macOS / Linux.
Ejecutarlo con Docker
Igual en cualquier sistema operativo, solo necesitas Docker Desktop / Docker Engine.
Un contenedor con Docker Compose
docker compose up --build
Abre http://localhost:5180. Modelos, tensores preprocesados e informes se montan en sólo lectura desde ./models, ./data/processed y ./reports.
Imagen única (la misma que en producción / Hugging Face Spaces)
docker build -t sadar .
docker run --rm -p 7860:7860 sadar
Abre http://localhost:7860. Los modelos, tensores e informes van dentro de la imagen; no necesitas volúmenes.
Desplegar en Hugging Face Spaces
El repositorio trae un Dockerfile listo para HF Spaces (una sola imagen, el frontend servido por FastAPI en el puerto 7860).
git lfs install
git clone https://huggingface.co/spaces/<tu-usuario>/sadar
cd sadar
# copia los archivos del repositorio SADAR dentro
git lfs track "*.npy" "*.npz" "*.pt"
git add . && git commit -m "feat: initial deploy" && git push
Estructura del repositorio
SADAR/
├── src/sadar/ Paquete Python (importable como `sadar`)
│ ├── data/ Pipeline de datos (parquet crudo → tensores)
│ │ ├── pipeline.py Punto de entrada: `sadar-preprocess`
│ │ ├── io.py Carga de parquet, dedupe, manifests
│ │ ├── cleaning.py Nulos, huecos, eliminación de go-arounds
│ │ ├── features.py XY relativo a pista, sin/cos del rumbo
│ │ ├── scaling.py Estandarización por feature (fit solo en train)
│ │ ├── splitting.py Split sin leak por flight_id y fecha
│ │ └── windowing.py Ventanas de longitud fija
│ ├── models/ Modelos y entrenadores
│ │ ├── baseline.py Baseline Isolation Forest
│ │ ├── lstm_autoencoder.py Arquitectura LSTM-AE
│ │ ├── transformer_autoencoder.py Arquitectura Transformer-AE
│ │ ├── vae_lstm.py Arquitectura VAE-LSTM (elegida)
│ │ ├── training.py Loop común, device, checkpoint I/O
│ │ ├── train_lstm.py Entrada: `sadar-train-lstm`
│ │ ├── train_transformer.py Entrada: `sadar-train-transformer`
│ │ ├── train_vae.py Entrada: `sadar-train-vae`
│ │ └── tune_vae.py Búsqueda Optuna: `sadar-tune-vae`
│ ├── eval/ Evaluación y banco sintético
│ │ ├── synthetic.py Inyección de anomalías (5 tipos, varias intensidades)
│ │ ├── evaluate.py Evaluación por modelo: `sadar-evaluate`
│ │ └── compare.py Informe comparativo: `sadar-compare`
│ └── serve/ Inferencia en producción
│ ├── app.py App FastAPI (también sirve la SPA en prod)
│ └── inference.py ConformanceService (carga modelo + scaler)
│
├── frontend/ Dashboard React + Vite (pnpm)
│ ├── src/
│ │ ├── pages/ Dashboard, Simulador, Métricas, Presentación
│ │ ├── components/ RadarScope, paneles, gráficas
│ │ ├── api.ts Cliente tipado para /api/*
│ │ └── i18n.tsx Traducciones EN / ES
│ ├── public/ Logo y estáticos
│ ├── vite.config.ts Proxy de dev /api → :8000
│ └── package.json
│
├── configs/ Configuración YAML
│ ├── preprocessing.yaml
│ ├── baseline.yaml
│ ├── lstm.yaml · transformer.yaml · vae.yaml
│ ├── tune.yaml · eval.yaml · compare.yaml
│ └── serve.yaml Selecciona el checkpoint de producción
│
├── models/ Checkpoints entrenados (Git LFS)
│ ├── lstm_autoencoder.pt
│ ├── transformer_autoencoder.pt
│ └── vae_lstm.pt ★ servido en producción
│
├── data/
│ ├── raw/ Parquet ADS-B (fuera del repositorio, $SADAR_DATA_DIR)
│ └── processed/ Tensores estandarizados (Git LFS)
│ ├── scaler.npz
│ ├── train.npy · val.npy · test.npy
│ └── anomalies.npy
│
├── reports/ Métricas generadas
│ ├── model_comparison.json
│ └── vae_tuning.json
│
├── notebooks/ EDA
├── docs/assets/ Capturas y logo del README
│
├── Dockerfile Imagen de producción (HF Spaces, un contenedor)
├── docker-compose.yml Stack local de dos contenedores
├── pyproject.toml · uv.lock Deps Python gestionadas con uv
├── Makefile `make dev`, `make preprocess`, ...
└── README.md · README.es.md Este archivo (EN / ES)
Limitaciones
- El dataset no contiene incidentes reales catastróficos, SADAR valida una metodología, no eventos históricos.
- No se dispone de planes de vuelo, la "ruta prevista" se aproxima como "patrón normal aprendido".
- Los huecos de transpondedor son mayoritariamente cobertura del receptor, se usan como característica, no como etiqueta.
- Solo hay cuatro vuelos reales con squawk de emergencia, se usan para validar, jamás para entrenar.
Monitorización de conformidad de vuelos con deep learning sobre Madrid-Barajas (LEMD) · 2026