선원의 행동은 해양사고에 있어서 주요한 원인이다. 본 연구에서는 은닉 마르코프 모델(Hidden Markov Model)에 기반하여 선원의 행동을 모델링하였다. 그런 후, 모델에서 추정한 행동의 경로분석을 통하여 어떠한 상황과 절차 그리고 오류에 의해서 해양사고가 발생되는지를 해석하였다. 모델 구현을 위하여, 선원의 행동을 해양안전심판원에서 간행된 재결 요약서에서 관측하였고, 관측한 결과는 SRKBB(Skill-, Rule-, and Knowledge-Based Behavior)를 기반으로 한 행동분류 프레임워크를 이용하여 HMM 학습에 적합한 행동 데이터로 변환하였다. 선박유형별 선원의 행동을 모델링한 결과, 선박 유형별로 차별성이 있음을 확인하였고, 선원이 우선적으로 행한 행동경로의 식별이 가능하였다. 연구 결과, 본 연구에서 제안한 모델링 기법은 선원의 행동경로 예측에 적용 가능할 뿐만 아니라 해양사고 예방에 필요한 선원 행동 보정을 위한 우선순위 결정에 기여할 수 있을 것으로 기대된다.
선원의 행동은 해양사고에 있어서 주요한 원인이다. 본 연구에서는 은닉 마르코프 모델(Hidden Markov Model)에 기반하여 선원의 행동을 모델링하였다. 그런 후, 모델에서 추정한 행동의 경로분석을 통하여 어떠한 상황과 절차 그리고 오류에 의해서 해양사고가 발생되는지를 해석하였다. 모델 구현을 위하여, 선원의 행동을 해양안전심판원에서 간행된 재결 요약서에서 관측하였고, 관측한 결과는 SRKBB(Skill-, Rule-, and Knowledge-Based Behavior)를 기반으로 한 행동분류 프레임워크를 이용하여 HMM 학습에 적합한 행동 데이터로 변환하였다. 선박유형별 선원의 행동을 모델링한 결과, 선박 유형별로 차별성이 있음을 확인하였고, 선원이 우선적으로 행한 행동경로의 식별이 가능하였다. 연구 결과, 본 연구에서 제안한 모델링 기법은 선원의 행동경로 예측에 적용 가능할 뿐만 아니라 해양사고 예방에 필요한 선원 행동 보정을 위한 우선순위 결정에 기여할 수 있을 것으로 기대된다.
The conduct of seafarer is major cause of marine accidents. This study models the behavior of the seafarer based on the Hidden Markov Model (HMM). Additionally, through the path analysis of the behavior estimated by the model, the kind of situations, procedures and errors that may have caused the ma...
The conduct of seafarer is major cause of marine accidents. This study models the behavior of the seafarer based on the Hidden Markov Model (HMM). Additionally, through the path analysis of the behavior estimated by the model, the kind of situations, procedures and errors that may have caused the marine accidents were interpreted. To successfully implement the model, the seafarer behaviors were observed by means of the summarized verdict reports issued by the Korean Maritime Safety Tribunal, and the observed results converted into behavior data suitable for HMM learning through the behavior classification framework based on the SRKBB (Skill-, Rule-, and Knowledge-Based Behavior). As a result of modeling the seafarer behaviors by the type of vessels, it was established that there was a difference between the models, and the possibility of identifying the preferred path of the seafarer behaviors. Through these results, it is expected that the model implementation technique proposed in this study can be applied to the prediction of the behavior of the seafarer as well as contribute to the prioritization of the behavior correction among seafarers, which is necessary for the prevention of marine accidents.
The conduct of seafarer is major cause of marine accidents. This study models the behavior of the seafarer based on the Hidden Markov Model (HMM). Additionally, through the path analysis of the behavior estimated by the model, the kind of situations, procedures and errors that may have caused the marine accidents were interpreted. To successfully implement the model, the seafarer behaviors were observed by means of the summarized verdict reports issued by the Korean Maritime Safety Tribunal, and the observed results converted into behavior data suitable for HMM learning through the behavior classification framework based on the SRKBB (Skill-, Rule-, and Knowledge-Based Behavior). As a result of modeling the seafarer behaviors by the type of vessels, it was established that there was a difference between the models, and the possibility of identifying the preferred path of the seafarer behaviors. Through these results, it is expected that the model implementation technique proposed in this study can be applied to the prediction of the behavior of the seafarer as well as contribute to the prioritization of the behavior correction among seafarers, which is necessary for the prevention of marine accidents.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구의 목적은 해양사고가 발생할 당시 선원이 취한 행동의 경로를 식별하기 위한 것이다. 이러한 연구 목적 달성을 위해서는, 사고가 발생할 당시 선원의 행동 관측이 필요하고, 행동 관측의 결과를 이용한 행동 모델의 구현이 필요하다.
위의 결과를 종합하면, 해양사고를 야기한 선원은 주로 일상적 또는 친숙한 상황에서 자동화와 의식적인 절차의 임무를 수행하는 경우 다양한 행동 오류를 야기하는 것으로 나타났다. 이러한 결과를 통해서, 해양사고 예방을 위하여 우선적으로 보정이 필요한 선원의 행동 경로를 알았다. 행동 경로에 대한 실질적인 교육과 훈련 방안은 그 양이 방대함으로 추후 연구과제로 둔다.
Table 3은 다섯 가지 모델을 서로 비교한 결과로서, Vitebi 알고리듬(Viterbi, 1967)으로 계산한 로그우도(log-likelihood)를 나타낸다. 이러한 비교는 모델들이 서로 식별력이 있는지, 즉, 선박의 종류별로 서로 특징적인 행동의 예측이 가능한지를 알기 위한 것이다.
가설 설정
Problem 3: 이 문제는 학습(learning)에 관한 것으로, 확률 P(O)가 극대화되는 = (A,B,)을 추정하는 것이다.
제안 방법
본 연구결과를 통하여, 1) 해양사고를 야기한 선원은 어떠한 행동에 의해서 사고가 발생되었는지를 예측할 수 있었고, 2) 어떠한 행동을 우선 보정하는 것이 효율적인지를 알았다. 향후, 실질적인 교육과 훈련을 통한 행동 보정에 관한 연구를 진행할 예정이고, 모델의 전이 현상 분석을 통한 선원 행동 예측에 관한 연구도 진행할 예정이다.
한편, 해양사고는 선박의 종류별로 서로 다른 특징을 나타낼 것으로 예상하였다. 그래서 어선, 일반화물선, 여객선, 원유 수송선, 바지/예인선 등 다섯 가지 선박유형으로 구분하여 선원의 행동을 모델링하였다. 그런 후, 다섯 가지 모델을 서로 비교 평가하여 이들 사이의 유의성을 검토하였다.
그래서 어선, 일반화물선, 여객선, 원유 수송선, 바지/예인선 등 다섯 가지 선박유형으로 구분하여 선원의 행동을 모델링하였다. 그런 후, 다섯 가지 모델을 서로 비교 평가하여 이들 사이의 유의성을 검토하였다.
지도학습은 알려진 상태들로부터 전문가들의 수작업에 의해서 쉽게 라벨의 지정이 가능한 반면, 비지도학습은 복잡한 과정을 통한 라벨의 추정이 필요하다. 본 연구에서는 선원의 행동 상태를 SRKBB 모델을 이용하여 미리 식별하기 때문에 은닉 상태를 사전에 알 수 있고, 그래서 라벨의 지정이 가능하기 때문에 계산이 간단한 지도학습을 적용하였다.
본 연구에서는 행동 데이터의 약 70%는 모델 훈련(Training)에 적용하고, 약 30%는 모델 평가를 위한 테스트(Testing)에 적용하였다.
, 1989)이 제안한 기술-규범-지식기반 행동(Skill-, Rule, Knowledge-Based Behavior, SRKBB) 모델을 참고하여 정의하였다. 아울러 SRKBB 모델을 이용한 행동 분류 프레임워크를 구축한 후, 선원의 행동에 대한 실험 데이터 구축에 적용하였다. 구축한 실험 데이터는 HMM의 감독 학습 알고리듬(Supervised learning algorithm)을 적용하여 행동 모델 구현을 위한 파라미터(parameter)를 추정하였다.
위에서 설명한 Category 1부터 Category 3까지의 각 범주에 해당하는 3 수준들의 조합으로 구성 가능한 경우의 수는 27(3×3×3)이 된다. 이러한 27가지 조합은 HMM 구현을 위한 관측 심볼로 지정하였고, 최종 의사결정의 결과(즉, SBB, RBB, KBB)는 HMM의 구현을 위한 라벨로 적용하였다. 그래 서 본 연구에서 구현한 행동 모델은 SBB, RBB, KBB의 세 가 지 상태들과 27가지 심볼들로 구성된다.
구축한 실험 데이터는 HMM의 감독 학습 알고리듬(Supervised learning algorithm)을 적용하여 행동 모델 구현을 위한 파라미터(parameter)를 추정하였다. 추정한 파라미터 를 이용하여 행동 모델을 구축하고, 구축된 행동 모델을 통해서 본 연구의 목적인 행동 경로를 추정하였다.
대상 데이터
이러한 27가지 조합은 HMM 구현을 위한 관측 심볼로 지정하였고, 최종 의사결정의 결과(즉, SBB, RBB, KBB)는 HMM의 구현을 위한 라벨로 적용하였다. 그래 서 본 연구에서 구현한 행동 모델은 SBB, RBB, KBB의 세 가 지 상태들과 27가지 심볼들로 구성된다. 따라서 행동 모델의 상태 수 는 3이 되고, 관측 심볼의 수 은 27이 된다.
선원의 행동은 해양안전심판원에서 2006년부터 2017년까지 간행한 재결 요약서에서 조사하였는데, 조사에는 Fig. 2에 나타낸 행동구분 프레임워크를 이용하였다. 이 프레임워크는 한 건의 사고를 3 가지 범주(Category)에 속한 세 가지 행동 수준(Level)으로 구분하기 위한 것으로, Rasmussen의 SRKBB 모델(Rasmussen, 1983)을 기반으로 한 것이다.
, 2019)에 설 명되어 있다. 이러한 절차를 통해 재결요약서 총 1,310건에서 HMM 학습에 적합한 총 3,411 샘플의 행동 데이터가 획득되었다. 재결 요약서의 건수 보다 행동 데이터의 샘플 수가 많은 이유는, 한 건의 사고에서 3개 이내의 행동 데이터를 획득했기 때문인데, 여기에는 선원 행동은 단일 행동으로 정의될 수 없고 복합적인 행동으로의 설명이 필요하다는 기존 연구결과를 준용한 것이다(Yim et al.
행동 데이터는 5가지 선박 유형별로 구분하였는데, 어선 (Fishing), 일반 화물선(General cargo), 여객선(Passenger), 유조선(Tanker), 바지와 예인선(Barge/Towing) 등이고, 이들에 대한 모델의 식별 기호는 F, G, P, T, B등으로 각각 나타냈다. Table 1은 수집한 재결요약서의 건수와 획득한 행동 데이터의 샘플 수를 나타낸다.
데이터처리
아울러 평균절대오차백분율(Mean Absolute Percentage Error, MAPE)을 이용하여 모델의 유효성을 평가하였다. MAPE는 훈련 데이터로 구현한 모델과 테스트 데이터로 구현 한 모델에서 추정한 상태들의 일치도를 퍼센트(%)로 나타낸 것으로 식(5)으로 계산할 수 있다.
이론/모형
아울러 SRKBB 모델을 이용한 행동 분류 프레임워크를 구축한 후, 선원의 행동에 대한 실험 데이터 구축에 적용하였다. 구축한 실험 데이터는 HMM의 감독 학습 알고리듬(Supervised learning algorithm)을 적용하여 행동 모델 구현을 위한 파라미터(parameter)를 추정하였다. 추정한 파라미터 를 이용하여 행동 모델을 구축하고, 구축된 행동 모델을 통해서 본 연구의 목적인 행동 경로를 추정하였다.
본 연구에서는 은닉 마르코프 모델(Hidden Markov Model)을 이용하여 해양사고를 야기한 선원의 행동을 모델링하고, 이 모델을 이용하여 선원의 어떠한 행동들이 해양사고에 기여했는지에 대한 행동 경로를 추정하였다. 어선, 일반 화물선, 여객선, 유조선, 바지/예인선 등 다섯 가지 선박 유형별 선원의 행동을 모델링한 결과, 모든 모델은 서로 차별되어 있음을 나타냈다.
행동의 관측에는 해양안전심판원에서 간행한 재결 요약서를 이용하였고, 행동 모델의 구현에는 은닉 마르코프 모델 (Hidden Markov Model, HMM)이 도입되었다. 특히, 선원의 행동은 Rasmussen(Rasmussen, 1983; Rasmussen et al., 1989)이 제안한 기술-규범-지식기반 행동(Skill-, Rule, Knowledge-Based Behavior, SRKBB) 모델을 참고하여 정의하였다. 아울러 SRKBB 모델을 이용한 행동 분류 프레임워크를 구축한 후, 선원의 행동에 대한 실험 데이터 구축에 적용하였다.
행동의 관측에는 해양안전심판원에서 간행한 재결 요약서를 이용하였고, 행동 모델의 구현에는 은닉 마르코프 모델 (Hidden Markov Model, HMM)이 도입되었다. 특히, 선원의 행동은 Rasmussen(Rasmussen, 1983; Rasmussen et al.
성능/효과
71인데, 이에 반하여 F와 G사이, F와 P사이 등은 모두 F와 F사이의 값 보다 작다. 그래서 다섯 가지 선박 유형별 모델들은 서로 차이가 있음을 알았고, 이를 통하여 본 연구에서 구현된 모델들의 일부 유효성이 검증되었다.
첫째, 해양사고를 야기한 선원의 최우선 순위의 행동은, 친숙한 상황에서 그리고 자동화와 의식적인 절차를 수행하는 경우 주로 규범적인 오류로 나타났다. 둘째, 해양사고를 야기한 선원의 2순위 행동은, 일상적인 상황에서 그리고 자동화와 의식적인 절차를 수행하는 경우 주 로 기술적인 오류로 나타났다.
마지막으로, 최종 의사결정(Final Decisions)은 한 건의 사고를 종합적으로 판단하였을 때, 선원 행동이 기술기반의 행동에 의한 것은 SBB(Skill-Based Behavior)로 구분하고, 규범 적인 행동에 의한 것은 RBB(Rule-Based Behavior)로 구분하며, 지식기반 행동에 의한 것은 KBB(Knowledge-Based Behavior)로 구분하기 위한 것이다.
본 연구에서는 은닉 마르코프 모델(Hidden Markov Model)을 이용하여 해양사고를 야기한 선원의 행동을 모델링하고, 이 모델을 이용하여 선원의 어떠한 행동들이 해양사고에 기여했는지에 대한 행동 경로를 추정하였다. 어선, 일반 화물선, 여객선, 유조선, 바지/예인선 등 다섯 가지 선박 유형별 선원의 행동을 모델링한 결과, 모든 모델은 서로 차별되어 있음을 나타냈다. 이러한 결과로부터 서로 다른 선박 유형 사이의 행동 해석이 가능하였다.
위의 결과를 종합하면, 해양사고를 야기한 선원은 주로 일상적 또는 친숙한 상황에서 자동화와 의식적인 절차의 임무를 수행하는 경우 다양한 행동 오류를 야기하는 것으로 나타났다. 이러한 결과를 통해서, 해양사고 예방을 위하여 우선적으로 보정이 필요한 선원의 행동 경로를 알았다.
특히, 동일한 순위의 심볼을 갖는 모델은 없는 것으로 나타났다. 이러한 결로부터, 다섯 가지 선박유형별 선원의 행동 모델은 서로 차이가 있기 때문에 본 연구에서 구현한 모델이 유효함을 알았다. 위의 심볼들 중에서 제 1순위와 2순위로 나타난 심볼 4와 14만에 대한 행동 경로를 분석하면 다음과 같다.
86% 낮은 것으로 고려 된다. 정밀도 향상은 본 연구와는 또 다른 방대한 연구가 필요하기 때문에 추후 연구과제로 두고, 본 연구에서는 평균 MAPE 15.86% 수준에서 행동 모델을 분석하였다.
첫째, 해양사고를 야기한 선원의 최우선 순위의 행동은, 친숙한 상황에서 그리고 자동화와 의식적인 절차를 수행하는 경우 주로 규범적인 오류로 나타났다. 둘째, 해양사고를 야기한 선원의 2순위 행동은, 일상적인 상황에서 그리고 자동화와 의식적인 절차를 수행하는 경우 주 로 기술적인 오류로 나타났다.
MAPE는 값이 작을수록 높은 추정을 의미한다. 평가 결과, 모델들은 평균 15.86%의 MAPE를 나타냈는데, 이 결과는 10% 이내의 MAPE를 나타낸 기존 연구 결과(Phan et al., 2015)와 비교하여 5.86% 낮은 것이다.
후속연구
이러한 결과를 통해서, 해양사고 예방을 위하여 우선적으로 보정이 필요한 선원의 행동 경로를 알았다. 행동 경로에 대한 실질적인 교육과 훈련 방안은 그 양이 방대함으로 추후 연구과제로 둔다.
본 연구결과를 통하여, 1) 해양사고를 야기한 선원은 어떠한 행동에 의해서 사고가 발생되었는지를 예측할 수 있었고, 2) 어떠한 행동을 우선 보정하는 것이 효율적인지를 알았다. 향후, 실질적인 교육과 훈련을 통한 행동 보정에 관한 연구를 진행할 예정이고, 모델의 전이 현상 분석을 통한 선원 행동 예측에 관한 연구도 진행할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
은닉 마르코프 모델이란 무엇인가?
1은 3-상태(state)를 갖는 은닉 마르코프 모델(Hidden Markov Model, HMM)을 개념적으로 설명한 것이다. HMM 은 어떠한 상태(그림에서 S1, S2, S3)로부터 출력되는 수열(그림에서 o)에 대한 확률(그림에서 , , )을 계산한 후, 상태들 사이의 전이확률(그림에서 a11, a12 등)을 추정하고, 전이확률의 해석을 통하여 은닉 상태(Hidden States)를 예측하기 위한 모델이다.
선원의 행동이 해양사고 예방에 중요한 단서를 제공하는 이유는 무엇인가?
해양사고에 개입된 선원의 행동은 해양사고 예방에 중요한 단서를 제공할 수 있다. 그 이유는, 선원의 행동은 해양사고의 주요한 원인이 되는 인적오류의 핵심 변수이고, 선원들의 행동은 교육과 훈련을 통하여 보정될 수 있는 것으로 알려져 있기 때문이다(Allianz, 2018). 특히, 어떠한 상황에서 선원의 행동들이 해양사고에 영향을 미쳤는지를 식별하는 것(즉, 행동 경로의 식별)은 선원의 행동 보정에 주요한 정보를 제공할 수 있다(Yim, 2009a; 2009b; Yim, 2012; Yim et al.
HMM 구성 시 은닉 상태에 따라 어떻게 모델 파라미터들을 추정할 수 있는가?
HMM을 기반으로 모델을 구성하는 경우, 은닉 상태는 모르는 경우와 알려진 경우로 구분된다. 은닉 상태를 모르는 경우에는 비지도 학습(Unsupervised learning)을 적용하여 모델 파라미터들을 추정할 수 있고, 은닉 상태가 알려진 경우에는 지도 학습(Supervised learning)을 적용하여 모델 파라미터들을 추정할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.