Dos factores principales, incluyendo la precisión de la regresión y la robustez ante ataques adversariales, de seis modelos de predicción de trayectorias se miden en este documento utilizando el conjunto de datos público del sistema de gestión de flujo de tráfico (TFMS) de trayectorias de aeronaves de ala fija en una ruta específica proporcionada por la Administración Federal de Aviación. Se exploran seis regresores impulsados por datos con sus arquitecturas deseadas, desde convencionales básicos hasta avanzados de aprendizaje profundo, en términos de la precisión y fiabilidad de sus trayectorias predichas. La principal contribución del documento es que se caracterizó la existencia de muestras adversariales para un problema de trayectoria de aeronaves, que se reformula como una tarea de regresión en este documento. En otras palabras, aunque los algoritmos impulsados por datos son actualmente los mejores regresores, se demuestra que pueden ser atacados por muestras adversariales. Las muestras adversariales son similares a las muestras de entrenamiento; sin embargo, pueden hacer que los regresores finamente entrenados hagan predicciones incorrectas, lo que plantea una preocupación de seguridad para los algoritmos de predicción de trayectorias basados en aprendizaje. Se muestra que, aunque los algoritmos basados en aprendizaje profundo (por ejemplo, memoria a largo y corto plazo (LSTM)) tienen una mayor precisión de regresión con respecto a los clasificadores convencionales (por ejemplo, regresión de vectores de soporte (SVR)), son más sensibles a estados manipulados, que pueden ser cuidadosamente manipulados incluso para redirigir sus estados predichos hacia estados incorrectos. Este hecho plantea un verdadero problema de seguridad para las aeronaves, ya que los ataques adversariales pueden resultar en colisiones intencionales y diseñadas deliberadamente de sistemas integrados que pueden incluir cualquier tipo de predictor de trayectoria basado en aprendizaje.