최근 해상교통 환경의 변화가 다양해지고, 해상 교통량이 지속적으로 증가함에 따라 해상교통 분석에 대한 요구가 다양해지고 있다. 이러한 해상교통 분석 작업은 교통 특성에 대한 모델링이 선행되어야 하지만, 기존의 방법은 자동화되어 있지 않아 전처리 작업에 시간이 많이 소요되고, 분석 결과에 작업자의 주관적인 견해가 포함될 수 있는 문제점이 있었다. 이러한 문제점을 해결하고자 본 논문에서는 해상교통 분석을 위한 자동화된 교통 네트워크 생성 방법을 제안하였으며, 활용 가능성을 검토하기 위해 실제 목포항에서 수집된 6개월간의 항적 데이터를 이용한 실험을 수행하였다. 실험 결과, 대상 해역의 교통 특성을 반영한 교통 네트워크를 자동으로 생성할 수 있었으며, 대용량의 항적 데이터에도 적용할 수 있음을 확인하였다. 또한, 생성된 교통 네트워크는 시공간적 특징 분석이 가능하여 다양한 해상교통 분석에 활용될 수 있을 것으로 기대한다.
최근 해상교통 환경의 변화가 다양해지고, 해상 교통량이 지속적으로 증가함에 따라 해상교통 분석에 대한 요구가 다양해지고 있다. 이러한 해상교통 분석 작업은 교통 특성에 대한 모델링이 선행되어야 하지만, 기존의 방법은 자동화되어 있지 않아 전처리 작업에 시간이 많이 소요되고, 분석 결과에 작업자의 주관적인 견해가 포함될 수 있는 문제점이 있었다. 이러한 문제점을 해결하고자 본 논문에서는 해상교통 분석을 위한 자동화된 교통 네트워크 생성 방법을 제안하였으며, 활용 가능성을 검토하기 위해 실제 목포항에서 수집된 6개월간의 항적 데이터를 이용한 실험을 수행하였다. 실험 결과, 대상 해역의 교통 특성을 반영한 교통 네트워크를 자동으로 생성할 수 있었으며, 대용량의 항적 데이터에도 적용할 수 있음을 확인하였다. 또한, 생성된 교통 네트워크는 시공간적 특징 분석이 가능하여 다양한 해상교통 분석에 활용될 수 있을 것으로 기대한다.
In recent years, the maritime traffic environment has been changing in various ways, and the traffic volume has been increasing constantly. Accordingly, the requirements for maritime traffic analysis have become diversified. To this end, traffic characteristics must first be analyzed using vessel tr...
In recent years, the maritime traffic environment has been changing in various ways, and the traffic volume has been increasing constantly. Accordingly, the requirements for maritime traffic analysis have become diversified. To this end, traffic characteristics must first be analyzed using vessel trajectory data. However, as the conventional method is mostly manual, it requires a considerable amount of time and effort, and errors may occur during data processing. In addition, ensuring the reliability of the analysis results is difficult, because this method considers the subjective opinion of analysts. Therefore, in this paper, we propose an automated method of traffic network generation for maritime traffic analysis. In the experiment, spatiotemporal features are analyzed using data collected at Mokpo Harbor over six months. The proposed method can automatically generate a traffic network reflecting the traffic characteristics of the experimental area. In addition, it can be applied to a large amount of trajectory data. Finally, as the spatiotemporal characteristics can be analyzed using the traffic network, the proposed method is expected to be used in various maritime traffic analyses.
In recent years, the maritime traffic environment has been changing in various ways, and the traffic volume has been increasing constantly. Accordingly, the requirements for maritime traffic analysis have become diversified. To this end, traffic characteristics must first be analyzed using vessel trajectory data. However, as the conventional method is mostly manual, it requires a considerable amount of time and effort, and errors may occur during data processing. In addition, ensuring the reliability of the analysis results is difficult, because this method considers the subjective opinion of analysts. Therefore, in this paper, we propose an automated method of traffic network generation for maritime traffic analysis. In the experiment, spatiotemporal features are analyzed using data collected at Mokpo Harbor over six months. The proposed method can automatically generate a traffic network reflecting the traffic characteristics of the experimental area. In addition, it can be applied to a large amount of trajectory data. Finally, as the spatiotemporal characteristics can be analyzed using the traffic network, the proposed method is expected to be used in various maritime traffic analyses.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 해상교통 분석을 위한 교통 네트워크의 자동 생성 방법을 제안하였으며, 이를 이용한 목포항 항적 데이터의 적용 사례를 통해 해상교통 분석 방법으로서의 활용 가능성을 확인하였다.
본 논문은 2019년 (사)해양환경안전학회 추계학술발표회에서 발표한 “해상교통 분석을 위한 교통 특성 데이터 모델 설계”의 내용을 보완하여 작성하였습니다.
본 절에서는 네트워크 분석 기법을 이용한 해상교통 분석사례를 기술한다. 실험 대상 항만인 목포항은 남항과 북항, 신항으로 구성된 주요 무역항이다.
이에 따라 항적 데이터 처리에 시간과 노력이 많이 소요되며, 작업자의 데이터 처리 오류 혹은 주관적인 견해가 포함되는 문제가 발생할 수 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 해상 교통 분석을 위한 자동화된 교통 네트워크 생성 프로세스를 제안하며, 목포항의 적용 사례를 통해 해상교통 분석 방법으로서의 활용 가능성을 검토하고자 한다.
제안 방법
교통 네트워크를 생성하였다. 1시간 간격으로 구분된 시간대에 따라 총 24개의 교통 네트워크가 생성되며, 각 교통 네트워크를 비교하여 분석을 수행하였다.
공간 분석에서는 대상 영역에서의 전체 항적에 대한 교통 네트워크를 구성하여 해상교통의 공간적 흐름을 분석하였으며, 시계열 분석에서는 통항 시간대별 교통 네트워크의 비교 분석을 수행하고 그 결과를 검토하였다.
교통 네트워크의 시계열 분석을 위해 항적을 시간대별로 구분하고 교통 네트워크를 생성하였다. 1시간 간격으로 구분된 시간대에 따라 총 24개의 교통 네트워크가 생성되며, 각 교통 네트워크를 비교하여 분석을 수행하였다.
다음 단계로, 이전 단계의 군집화 결과 얻어지는 군집 개수 정보를 이용하여 노드 분류 모델을 생성한다. 노드 분류모델은 가우시안-혼합모델(GMM, Gaussian Mixture Model) (Reynolds and Rose, 1995)을 이용하며, 이를 통해 2차원 공간에서 노드의 위치 확률 분포를 추정한 후, 임의의 항적 데이터가 각 노드로 분류될 확률에 따라 항적 데이터를 분류할 수 있게 된다.
목포항의 주요 통항 시간대인 오전 8시와 오후 4시의 교통 네트워크를 비교한 결과, 확연한 차이를 보이는 두 영역을 식별하고 세부 분석을 수행하였다.
수 있는 장점이 있다. 본 논문에서는 대상 항만에서의 항해 경험을 바탕으로 단순화 결과와 변침점의 위치를 비교하여 임계거리 값(=0.005)을 결정하였다. 그 결과 실제로 10, 000개 이상의 항적 포인트 데이터가 단순화 과정을 거쳐 주요 변침점만으로 구성된 10개 이하의 포인트 데이터로 변환되었다.
본 연구에서는 항로상의 주요 변침점을 네트워크 노드로 설정하였으며, 항적 데이터로부터 주요 변침점 정보를 추출하기 위해서 히트맵 정보를 이용하였다. 히트맵은 데이터의 분포에 따라 밀집도를 계산하여 2차원 공간상에 표시하는 방법으로 데이터의 밀집 영역을 가시화 할 수 있는 특징이 있다.
분석 작업은 크게 공간 분석과 시계열 분석으로 진행하였다. 공간 분석에서는 대상 영역에서의 전체 항적에 대한 교통 네트워크를 구성하여 해상교통의 공간적 흐름을 분석하였으며, 시계열 분석에서는 통항 시간대별 교통 네트워크의 비교 분석을 수행하고 그 결과를 검토하였다.
앞서 언급한 바와 같이, 네트워크의 각 노드 간 연결 정보와 에지별 가중치 정보는 네트워크의 특징을 결정하는 중요한 요소이며, 본 논문에서는 네트워크의 비교를 위해 다음과 같은 수식을 적용하였다.
이때 분석의 목적에 따라 항적 데이터의 선별 조건을 설정할 수 있으며, 각 조건별 교통 네트워크를 생성하여 분석을 수행하게 된다. 예를 들어 시간대에 따른 교통 분석이 필요한 경우, 항적 데이터를 시간대별로 구분하고, 각각의 교통 네트워크를 생성하여 교통 특성을 비교 분석할 수 있다.
대상 데이터
5의 (a)는 6개월의 항적 데이터를 이용하여 생성한 목포항의 교통 네트워크이다. 네트워크는 총 153개의 노드로 구성되며, 각 노드 간 연결 관계를 그래프 형태로 표현하였다.
또한, 분석 대상 영역의 주요 진출입 지점은 자은도(북서쪽), 팔금도, 안좌도(서쪽), 가사도(서남쪽), 진도(동남쪽) 부근이며, 가사도 부근을 거쳐 화원반도를 지나 목포항으로 입출항 하는 통항로, 자은도 부근을 지나 입출항하는 통항로, 팔금도와 안좌도 사이를 이동하는 통항로, 진도 울돌목을 지나는 통항로 등의 주요 통항로를 식별할 수 있다.
본 연구의 분석 대상은 선박으로 한정하며, 선박으로부터 수신된 데이터만을 선별하고, 분석 영역에 포함되지 않거나 해상교통을 분석하는데 불필요한 항적 데이터를 제외하였다.
기술한다. 실험 대상 항만인 목포항은 남항과 북항, 신항으로 구성된 주요 무역항이다. 관제구역 내에는 11개의 부두와 10개의 정박지가 설치되어 운영되고 있으며, 주변 산업 단지와 도서 지역을 연결하는 지역적 특성 때문에 화물선, 여객선, 어선 등의 다양한 선종이 혼재하여 통항하는 특징이 있다.
실험에서는 목포 VTS에서 약 6개월(2017년 4월부터 9월까지)간 수집된 AIS 데이터를 사용하였으며, 데이터는 AIS 메시지 수신 시간, 선박의 위치, 속도, 침로, 선종, 크기 정보를 포함하고 있다. 실험에 사용된 AIS 데이터는 약 3억 5천만 건이며, 전처리 시간을 포함하여 교통 네트워크를 생성하는 데 약 30분(Intel i7-8700 기준) 가량이 소요되었다.
관제구역 내에는 11개의 부두와 10개의 정박지가 설치되어 운영되고 있으며, 주변 산업 단지와 도서 지역을 연결하는 지역적 특성 때문에 화물선, 여객선, 어선 등의 다양한 선종이 혼재하여 통항하는 특징이 있다. 실험에서는 목포 VTS에서 약 6개월(2017년 4월부터 9월까지)간 수집된 AIS 데이터를 사용하였으며, 데이터는 AIS 메시지 수신 시간, 선박의 위치, 속도, 침로, 선종, 크기 정보를 포함하고 있다. 실험에 사용된 AIS 데이터는 약 3억 5천만 건이며, 전처리 시간을 포함하여 교통 네트워크를 생성하는 데 약 30분(Intel i7-8700 기준) 가량이 소요되었다.
이론/모형
정보를 이용하여 노드 분류 모델을 생성한다. 노드 분류모델은 가우시안-혼합모델(GMM, Gaussian Mixture Model) (Reynolds and Rose, 1995)을 이용하며, 이를 통해 2차원 공간에서 노드의 위치 확률 분포를 추정한 후, 임의의 항적 데이터가 각 노드로 분류될 확률에 따라 항적 데이터를 분류할 수 있게 된다. GMM의 세부 파라미터는 Table 1과 같다.
따라서 본 연구에서는 분석 대상 항적 데이터의 경량화를 위해 단순화(simplification)과정을 거치며, 연속선(polyline) 단순화 알고리즘 중 하나인 Ramer-Douglas-Peucker(RDP) 알고리즘을 적용하였다(Ramer, 1972).
성능/효과
9번 노드는 목포항을 입출항하는 선박이 밀집되는 목포구 해역으로 네트워크에서도 여러 노드와 동시에 연결되는 높은 차수를 가지며, 노드 간 연결 빈도가 높은 통항 밀집 영역으로 식별되었다. 37번 노드도 상대적으로 높은 차수를 가지지만, 해상에 노드가 밀집되어 있는 특이한 형태로 나타났다. 이는 분석 대상 기간 동안 수행된 교량 공사 (천사대교)에서 기인한 것으로 파악되어 교통특성 분석의 대상에서 제외하였다.
005)을 결정하였다. 그 결과 실제로 10, 000개 이상의 항적 포인트 데이터가 단순화 과정을 거쳐 주요 변침점만으로 구성된 10개 이하의 포인트 데이터로 변환되었다.
또한, AIS 데이터의 식별번호(MMSI)와 선종 정보를 기준으로 예인선, 도선선, 급유선, 실습선, 작업선 등의 항적 데이터를 제외함으로써 분석 대상 데이터의 용량을 줄일 수 있다.
제안하는 방법을 통해 교통 특성 모델링 작업을 자동화함으로써 항적 데이터의 처리에 소요되는 시간을 줄이고 작업의 오류 발생을 최소화 할 수 있다. 또한, 대용량의 항적 데이터 처리가 가능하기 때문에 월간 또는 연간 항적 데이터의 분석이 용이해진다.
후속연구
판단된다. 본 연구를 바탕으로 해상교통 분야에 네트워크 분석 기법을 적용하는 다양한 연구가 진행되어 해상교통 분석 분야에 기여할 수 있기를 기대한다.
또한, 대용량의 항적 데이터 처리가 가능하기 때문에 월간 또는 연간 항적 데이터의 분석이 용이해진다. 특히 자동화된 모델링 작업은 분석 과정에서 개입될 수 있는 작업자의 주관적인 견해를 최대한 배제하여 보다 객관적인 분석 자료를 생성할 수 있게 되며, 이를 통해 분석 결과의 신뢰성을 높일 수 있을 것으로 판단된다.
한편, 생성된 교통 네트워크 정보는 통항경로대 분석과 항 내 선박의 이동 분석 등에 활용이 가능하며, 특정 시간대에 나타나는 교통 특성을 미리 파악하여 해상교통관제를 위한 참고 자료로 활용할 수도 있다.
참고문헌 (16)
Dobrkovic, A., M. Iacob, and J. van Hillegersberg(2018), Maritime pattern extraction and route reconstruction from incomplete AIS data, International Journal of Data Science and Analytics, Vol. 5, pp. 111-136.
Ester, M., H. P. Kriegel, J. Sander, and X. Xu(1996), A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining, pp. 226-231.
Filipiak, D., K. Wecel, M. Strozyna, M. Michalak, and W. Abramowicz(2020), Extracting Maritime Traffic Networks from AIS Data Using Evolutionary Algorithm, Business & Information Systems Engineering, Vol. 62, pp. 435-450.
GateHouse(2018), IWRAP Mk2 User Manual, Engberg GateHouse Logistics A/S.
IALA(2017), The Use of IALA Waterway Risk Assessment Program (IWRAP MKII), IALA Guideline G1123, Edition 1.0.
Kim, H. J. and J. Y. Oh(2018), Research on the Analysis of Maritime Traffic Pattern using Centroid Method, Journal of Navigation and Port Research, Vol. 42, No. 6, pp. 453-458.
Kim, K. I., G. K. Park, and J. S. Jeong(2011), Analysis of marine accident probability in Mokpo waterways, Journal of Korean Navigation and Port Research, Vol. 35, No. 9, pp. 729-733.
Kim, K. I., J. S. Jeoung, and J. S. Lee(2019), Analysis of Ship Route Traffic Characteristics using Port-MIS data, Proceedings of the Korean Institute of Navigation and Port Research Conference, pp. 93-95.
Lee, J. H., G. T. Yeo, S. H. Park, and H. C. Lee(2020), Structural analysis of the liner shipping network of the Asia-North America trade route adopting Social Network Analysis, Journal of The Korean Association of Shipping and Logistics, Vol. 36, No. 2, pp. 133-159.
MOF(2014), The implementing guidelines for maritime traffic assessment, No. 2014-164, Ministry of Oceans and Fisheries.
MOF(2016), The Task Instructions of Research project about maritime traffic safety assessment, Ministry of Oceans and Fisheries.
MOF(2020), The summary of the maritime traffic safety assessment project, Ministry of Oceans and Fisheries.
Ramer, U.(1972), An iterative procedure for the polygonal approximation of plane curves, Computer Graphics and Image Processing, Vol. 1, No. 3, pp. 244-256.
Reynolds, D. A. and R. C. Rose(1995), Robust text-independent speaker identification using Gaussian mixture speaker models, IEEE transactions on speech and audio processing, Vol. 3, No. 1, pp. 72-83.
Tasseda, E. H. and R. Shoji(2018), Statistical Modeling Framework of Vessel Traffic Streams in Tokyo Bay, Transactions of Navigation, Vol. 3, No. 2, pp. 31-42.
Xiao, F., H. Ligteringen, C. van Gulijk, and B. Ale(2013), Nautical traffic simulation with multi-agent system for safety, 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013), pp. 1245-1252.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.