최근 해상교통량이 증가하고 선박교통 관제구역이 확대됨에 따라 관제사의 업무 부하가 증가하고 있으며, 이로 인해 교통량이 급증하는 경우 관제사가 위험을 인지하지 못하는 상황도 발생하게 된다. 이러한 배경에서 본 논문에서는 관제 업무의 지원을 위해 이상 거동 선박을 자동으로 식별하는 방법을 제안한다. 본 방법은 누적된 AIS 데이터를 이용하여 관제구역 내의 통항 패턴을 학습하고, 학습된 모델과의 비교를 통해 이상치를 계산하여 이상 거동 선박을 식별한다. 특히, 선박의 거동 상태에 대한 분류 정보가 없더라도 비지도 학습법을 기반으로 항적 데이터를 자동으로 분류하여 통항 패턴을 학습할 수 있으며, 항적의 군집화와 분류 과정을 통해 이상 거동 선박을 실시간으로 식별할 수 있는 특징을 가진다. 또한, 본 논문에서는 선박운항 시뮬레이터 및 실제 AIS 항적 데이터를 이용한 식별 실험을 수행하였으며, 이를 통해 선박교통관제 시스템에의 활용 가능성을 고찰하였다.
최근 해상교통량이 증가하고 선박교통 관제구역이 확대됨에 따라 관제사의 업무 부하가 증가하고 있으며, 이로 인해 교통량이 급증하는 경우 관제사가 위험을 인지하지 못하는 상황도 발생하게 된다. 이러한 배경에서 본 논문에서는 관제 업무의 지원을 위해 이상 거동 선박을 자동으로 식별하는 방법을 제안한다. 본 방법은 누적된 AIS 데이터를 이용하여 관제구역 내의 통항 패턴을 학습하고, 학습된 모델과의 비교를 통해 이상치를 계산하여 이상 거동 선박을 식별한다. 특히, 선박의 거동 상태에 대한 분류 정보가 없더라도 비지도 학습법을 기반으로 항적 데이터를 자동으로 분류하여 통항 패턴을 학습할 수 있으며, 항적의 군집화와 분류 과정을 통해 이상 거동 선박을 실시간으로 식별할 수 있는 특징을 가진다. 또한, 본 논문에서는 선박운항 시뮬레이터 및 실제 AIS 항적 데이터를 이용한 식별 실험을 수행하였으며, 이를 통해 선박교통관제 시스템에의 활용 가능성을 고찰하였다.
Recently, the Vessel Traffic Service (VTS) coverage has expanded to include coastal areas following the increased attention on vessel traffic safety. However, it has increased the workload on the VTS operators. In some cases, when the traffic volume increases sharply during the rush hour, the VTS op...
Recently, the Vessel Traffic Service (VTS) coverage has expanded to include coastal areas following the increased attention on vessel traffic safety. However, it has increased the workload on the VTS operators. In some cases, when the traffic volume increases sharply during the rush hour, the VTS operator may not be aware of the risks. Therefore, in this paper, we proposed a new method to recognize ship movement anomalies automatically to support the VTS operator's decision-making. The proposed method generated traffic pattern model without any category information using the unsupervised learning algorithm.. The anomaly score can be calculated by classification and comparison of the trained model. Finally, we reviewed the experimental results using a ship-handling simulator and the actual trajectory data to verify the feasibility of the proposed method.
Recently, the Vessel Traffic Service (VTS) coverage has expanded to include coastal areas following the increased attention on vessel traffic safety. However, it has increased the workload on the VTS operators. In some cases, when the traffic volume increases sharply during the rush hour, the VTS operator may not be aware of the risks. Therefore, in this paper, we proposed a new method to recognize ship movement anomalies automatically to support the VTS operator's decision-making. The proposed method generated traffic pattern model without any category information using the unsupervised learning algorithm.. The anomaly score can be calculated by classification and comparison of the trained model. Finally, we reviewed the experimental results using a ship-handling simulator and the actual trajectory data to verify the feasibility of the proposed method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 관제사의 업무 지원을 위해 관제구역 내 이상 거동 선박을 자동으로 식별하기 위한 방법을 제안하였다. 이는 기존의 방법과는 달리 비지도 학습법을 기반으로 분류항목이 없는 AIS 항적 데이터를 자동으로 분류하고, 학습된 항적 모델과의 비교를 통해 이상 거동 선박을 식별하는 특징을 가지고 있다.
본 논문에서는 학습된 항적 모델과 다른 패턴의 항적은 이상 거동 상태일 확률이 높다고 가정하고, 이를 효과적으로 식별하기 위한 방법을 제안한다. 제안하는 방법은 Fig.
이에, 본 논문에서는 인공지능의 한 분야인 기계학습(machine learning) 기술을 이용하여 이상 거동 선박을 자동으로 식별하는 방법을 제안하며, 시뮬레이션 데이터와 실제 항적 데이터를 이용한 실험 결과를 통해 선박교통 관제시스템에의 활용 가능성을 고찰하고자한다.
제안 방법
식별 단계에서는 입력된 항적 데이터의 정상 거동 여부를 최종적으로 결정하게 되는데, 본 논문에서는 다음과 같이 이상치(anomaly score)를 정의하고, 이를 기준으로 이상 거동항적을 식별하게 된다. 이상치는 정상 거동 항적 모델과의 차이를 정량화한 수치로 다음 세 종류의 오차를 합산하여 계산된다.
본 연구의 분석 대상인 항적 데이터는 시간에 따라 누적된 대용량의 항적 데이터이며, 정상 데이터가 학습 데이터의 대부분을 구성하고 있고, 정상 및 이상 상태를 분류하는 항목이 없는 특징을 가지고 있다. 이에 본 연구에서는 비지도 학습법을 기반으로 누적된 항적 데이터를 군집화(clustering)하고, 이를 통해 학습 모델을 구축한 후, 구축된 모델과의 비교를 통해 이상 거동 선박을 식별하는 방법을 적용하였다.
한편, 학습 데이터에 포함되지 않은 이상 거동 항적의 테스트를 위해 선박운항시뮬레이터를 이용한 가상 항적을 생성하여 실험에 사용하였다. 가상 항적은 실제 항적과는 달리 이상 거동 여부를 명확하게 정의할 수 있는 장점이 있으며, 본 실험에서는 Fig.
대상 데이터
분석의 범위는 VTS 관제구역을 고려하여 Fig. 3과 같이 설정하였으며, 데이터의 정제 과정을 거친 후 임의로 선정된 약 1억 건의 항적 데이터를 학습 데이터로 사용하였다.
본 연구에서는 이상 거동 선박의 식별을 위해 AIS로부터 수신된 항적 자료를 학습 데이터로 사용한다. AIS 데이터는 선박의 위치 정보뿐만 아니라 항해와 관련된 다양한 정보가 함께 포함되어 있으며, 관제 구역별로 매일 수천만 건 이상의 데이터가 수신되는 대용량의 데이터이다.
본 연구의 분석 대상인 항적 데이터는 시간에 따라 누적된 대용량의 항적 데이터이며, 정상 데이터가 학습 데이터의 대부분을 구성하고 있고, 정상 및 이상 상태를 분류하는 항목이 없는 특징을 가지고 있다. 이에 본 연구에서는 비지도 학습법을 기반으로 누적된 항적 데이터를 군집화(clustering)하고, 이를 통해 학습 모델을 구축한 후, 구축된 모델과의 비교를 통해 이상 거동 선박을 식별하는 방법을 적용하였다.
본 논문에서 제안하는 이상 거동 식별 모델을 검증하기 위해 실 해역 데이터를 바탕으로 실험을 수행하였다. 실험 대상 항만은 목포항이며, 목포 선박교통관제시스템에서 수집된 6개월간의 AIS 데이터를 학습에 사용하였다. 분석의 범위는 VTS 관제구역을 고려하여 Fig.
한편, 학습 모델의 입력은 데이터의 특성과 학습 과정의 효율성을 모두 고려해야하며, 본 논문에서는 AIS 데이터베이스로부터 추출된 선박별 항적 데이터를 바탕으로 총 48차원의 데이터를 생성하여 사용한다.
이론/모형
본 논문에서는 상태 그룹 분류를 위해서 k-NN(k Nearest Neighbor) 알고리즘을 적용하였다. k-NN 알고리즘은 학습 데이터 중 가장 유사한 k개를 선별하고, 이를 이용하여 각 그룹별로 분류될 확률 값을 토대로 데이터를 분류하는 방법이며, 유사도 평가를 위한 다양한 방법이 사용될 수 있지만, 본 논문에서는 벡터공간 내의 유클리디언(euclidean) 거리 정보를 사용하였다.
앞서 언급한 바와 같이, 항적 데이터는 정상 및 이상 상태를 분류하는 분류 항목이 없으며, 대용량의 특성을 가지고 있다. 따라서 본 연구에서는 이상 거동 식별을 위해 대표적인 비지도 학습 방법인 오토인코더(autoencoder) 모델을 적용하였다.
모델 학습의 다음 단계는 학습을 통해 생성된 벡터공간에 항적 데이터를 다시 투영하여 유사한 특징을 가지는 데이터를 그룹별로 군집화(clustering) 한다. 본 논문에서는 군집화를 위해 k-means 알고리즘을 사용하며, 항적 데이터를 여러 개의 상태 그룹으로 분류하게 된다. k-means 알고리즘은 각 그룹과의 거리 차이 값의 분산을 최소화하는 방식으로 데이터를 군집화 하는 방법이다.
분류 단계에서는 구축된 학습 모델을 바탕으로 새롭게 입력되는 항적 데이터를 벡터공간에 투영한 뒤, 어떤 상태 그룹으로 분류되는지를 결정하게 된다. 본 논문에서는 상태 그룹 분류를 위해서 k-NN(k Nearest Neighbor) 알고리즘을 적용하였다. k-NN 알고리즘은 학습 데이터 중 가장 유사한 k개를 선별하고, 이를 이용하여 각 그룹별로 분류될 확률 값을 토대로 데이터를 분류하는 방법이며, 유사도 평가를 위한 다양한 방법이 사용될 수 있지만, 본 논문에서는 벡터공간 내의 유클리디언(euclidean) 거리 정보를 사용하였다.
두 번째는 인코딩 된 벡터공간에서의 전역 이상치이다. 이는 학습 모델과의 유사도를 의미하며, 이상점(outlier) 탐지 알고리즘인 Isolation Forest(Liu et al., 2008)를 사용하였다. 세 번째 오차 항목은 상태 그룹으로 분류될 확률 값이며, 입력된 항적이 미리 분류된 그룹으로 얼마나 잘 분류되는지를 나타낸다.
그러나 수신된 항적 데이터는 대부분 정상 상태이고, 상태를 분류하는 항목이 없으며, 학습을 위해 대용량 항적 데이터의 상태를 수동으로 분류하는 것도 어려운 상황이다. 이렇게 학습 데이터에 분류 항목이 포함되어 있지 않은 경우 학습 데이터 자체의 특징을 분석하여 이를 분류하는 비지도 학습(unsupervised learning)법을 사용한다.
성능/효과
이는 기존의 방법과는 달리 비지도 학습법을 기반으로 분류항목이 없는 AIS 항적 데이터를 자동으로 분류하고, 학습된 항적 모델과의 비교를 통해 이상 거동 선박을 식별하는 특징을 가지고 있다. 구현된 모델은 시뮬레이션을 통한 가상 항적 데이터와 실제 AIS 항적 데이터를 이용하여 식별 실험을 수행하였으며, 이를 통해 활용 가능성을 확인하였다. 그러나 향후 실시간 AIS 데이터를 적용한 성능 검증이 필요하며, 선박 간 충돌 상황을 분석하기 위한 추가적인 모델링 작업도 필요할 것으로 판단된다.
후속연구
구현된 모델은 시뮬레이션을 통한 가상 항적 데이터와 실제 AIS 항적 데이터를 이용하여 식별 실험을 수행하였으며, 이를 통해 활용 가능성을 확인하였다. 그러나 향후 실시간 AIS 데이터를 적용한 성능 검증이 필요하며, 선박 간 충돌 상황을 분석하기 위한 추가적인 모델링 작업도 필요할 것으로 판단된다.
이에 관제 센터에서 수집되는 다양한 정보들을 체계적으로 관리할 수 있는 시스템이 필수적이며, 이를 위한 정책적인 지원도 뒤따라야 할 것이다. 앞으로 더욱 많은 연구개발을 통해 인공지능 기술이 해양사고 방지에 크게 기여할 수 있기를 기대한다.
최근 많은 이슈가 되고 있는 기계학습은 선박교통관제와 같은 복합적인 추론이 요구되는 분야에 매우 적합한 기술이며, 학습 데이터의 양과 질에 따라 시스템의 성능이 좌우된다. 이러한 이유에서 국내 선박교통관제센터에서 수집되는 관제 정보는 향후 해양 분야의 기술 혁신을 가져올 기반이 될 것으로 사료된다. 이에 관제 센터에서 수집되는 다양한 정보들을 체계적으로 관리할 수 있는 시스템이 필수적이며, 이를 위한 정책적인 지원도 뒤따라야 할 것이다.
이러한 이유에서 국내 선박교통관제센터에서 수집되는 관제 정보는 향후 해양 분야의 기술 혁신을 가져올 기반이 될 것으로 사료된다. 이에 관제 센터에서 수집되는 다양한 정보들을 체계적으로 관리할 수 있는 시스템이 필수적이며, 이를 위한 정책적인 지원도 뒤따라야 할 것이다. 앞으로 더욱 많은 연구개발을 통해 인공지능 기술이 해양사고 방지에 크게 기여할 수 있기를 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
현행 관제 콘솔에 있는 의사결정지원도구의 문제점은?
물론, 관제 콘솔에는 주의가 필요한 영역을 설정하거나, 일정한 조건에 경보가 발생하도록 하는 의사결정지원도구(DST, Decision Support Tools)들을 포함하고 있으며, 국제항로표지협회(IALA)에서도 이러한 기능의 활용 가이드라인을 제시하고 있다(IALA, 2014). 그러나 이러한 기능은 설정이 복잡하고, 경보가 너무 잦아 관제 업무에 오히려 방해가 되기도 하여 널리 사용되지 못하고 있는 실정이며, 보다 현실적이고 지능적인 관제 지원기능의 개발이 필요한 상황이다.
기계학습을 이용한 데이터 분석 기술이란 무엇인가?
기계학습을 이용한 데이터 분석 기술은 대용량의 데이터로부터 수학적인 패턴을 학습하는 기술이며, 데이터의 특징에 따라 분석 방법 및 모델의 구성이 달라지기 때문에, 분석 작업을 수행하기 전 대상에 대한 특징 분석이 선행되어야 한다.
선박의 이상 거동 식별에 지도학습 방법을 적용하기 위해 반드시 필요한 것은?
한편, 일반적인 기계학습 시스템은 입력과 출력의 쌍으로 구성된 학습 데이터를 사용하며, 이를 지도학습(supervisedlearning) 방법이라고 한다. 즉, 선박의 이상 거동 식별에 지도학습 방법을 적용하기 위해서는 각 선박의 항적 데이터와 이를 정상 및 이상 상태로 분류한 학습 데이터의 쌍이 반드시 필요하다. 그러나 수신된 항적 데이터는 대부분 정상 상태이고, 상태를 분류하는 항목이 없으며, 학습을 위해 대용량 항적 데이터의 상태를 수동으로 분류하는 것도 어려운 상황이다.
참고문헌 (11)
Brax, N., Andonoff, E. and Gleizes, M. P.(2012), "A Self-adaptive Multi-Agent System for Abnormal Behavior Detection in Maritime Surveillance", Technologies and Applications. KES-AMSTA 2012. Lecture Notes in Computer Science, Vol. 7327, pp. 174-185.
Canzzanti, L., Millefiori, L. M. and Arcieri, G.(2015), "A document-based data model for large scale computational maritime situational awareness", Proceeding of the IEEE International Conference of Big Data, pp. 1350-1356.
Endsley, M. R. and Bolstad, C. A.(1994), "Individual differences in pilot situation awareness", International Journal of Aviation Psychology, Vol. 4, pp. 241-264.
Kowalska K. and Peel L.(2012), "Maritime Anomaly Detection using Gaussian Process Active Learning", Proceedings of the 15th IEEE International Conference on Information Fusion (FUSION), pp. 1164-1171.
IALA(2014), "Use of Decision Support Tools for VTS Personnel", IALA Guideline 1110 Ed. 1.
Liu Fei Tony, Ting, Kai Ming and Zhou, Zhi-Hua(2008), "Isolation forest." Data Mining, ICDM'08. Eighth IEEE International Conference on Data Mining, pp. 413-422.
Park, Y. S., Park, S. W. and Cho, I. S.(2015), "A Basic Study on Prediction Module Development of Collision Risk based on Ship's Operator's Consciousness", Journal of Korean Navigation and Port Research, Vol. 39, No. 3, pp. 199-207.
Park, Y. S., Kim, Y. S. and Jo, S. H.(2014), "A Study on Occupational Stress of the VTS Operators", Journal of Korean Navigation and Port Research, Vol. 38, No. 6, pp. 615-621.
Rong Zhen, Yongxing Jin, Qinyou Hu, Zheping Shao and Nikitas Nikitakos(2017), "Maritime Anomaly Detection within Coastal Waters Based on Vessel Trajectory Clustering and Naive Bayes Classifier", The Journal of Navigation, Vol. 70, pp. 648-670.
Smith, M., Reece, S., Roberts, S., Psorakis, I. and Rezek, I.(2014), "Maritime abnormality detection using Gaussian, processes". Knowledge and Information Systems, Vol. 38, pp. 717-741.
Son, N. S., Oh, J. Y. and Kim, S. Y.(2009), "On an Algorithm for the Assessment of Collision Risk among Multiple Ships based on AIS", Proceeding of the conference of Korean Navigation and Port Research, pp. 62-63.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.