선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 특히, 항만 및 어항 설계기준에서도 선박이 접안속도를 10 cm/s 이내로 하여 접안할 것을 권고하고 있다(Ministry of oceans and fisheries, 2017). 따라서 이를 반영하여 본 연구에서는 접안속도 10 cm/s를 기준으로 10 cm/s 이상과 10 cm/s 미만으로 나누어 분석을 진행하고자 한다.
- 본 연구에서는 선박 접안속도 영향요소의 중요도를 도출 하였다. 분석을 위해 국내 한 Tanker 부두에서 356개의 접안 속도 데이터를 실측하고 영향요소에 대한 데이터도 함께 수집하였다.
- 선박 접안속도 영향요인을 고려하고 상관관계를 도출하기 위해 본 연구에서는 머신러닝 분류 알고리즘을 활용하고자 한다. 머신러닝 기법은 복잡한 데이터에서 의미 있는 결과를 얻을 수 있는 장점이 있다(Shalev and Ben, 2014).
가설 설정
- (1) 기존 접안속도 관련 연구에서는 선박의 크기, 부두의 위치, 재화상태 등이 접안속도에 영향을 미치는 요소라 가정한 분석이 이루어졌다. 하지만 본 연구에서는 8개의 접안 속도 영향요소를 고려하여 분석하였다.
- 접안속도는 Brolsma et al.(1977)의 연구를 시작으로 Fig. 1 과 같이 선박 크기(Deadweight tonnage)가 증가 할수록 접안속도가 감소하는 밀접한 관계가 있다는 가정을 기초로 분석이 이루어졌다. British Standard와 Spanish ROM의 접안속도 규정 에도 선박 배수량(Displacement)과의 관계를 통해 접안속도의 기준을 제시한다(PIANC, 2020).
제안 방법
- (2) 접안속도 영향요인을 독립변수로 설정하고 선박 접안 속도를 종속변수로 설정하였다. 분석을 위해 데이터 표준화와 범주형 변수의 변환을 위해 전처리를 실시하였다.
- Jetty No., MaxAngle, Berthing Velocity는 DAS를 통해 수집 하였다. State, DWT 변수는 Port-Mis를 통해 조사하였다.
- Train 데이터를 활용하여 의사결정나무, 랜덤포레스트, 로지스틱회귀, 퍼셉트론을 모델을 구축하였다. 구축한 모델에 Test 데이터를 입력한 결과는 혼동행렬로 나타나며 Table 8과 같다.
- (2017)은선박이 시설물에 첫 번째 접촉할 때의 속도를 접안속도로 정의하고 있다. 따라서 Fig. 4와 같이 DAS를 통해 부두에서 선박 선체까지의 거리를 시간이 지남에 따라 측정하여 부두 시설물에 접촉한 시점의 속도를 수집하였다. 특히, ‘선박의 입항 및 출항 등에 관한 법률’에서 위험물을 취급하는 부두는 DAS와 같은 접안보조장치를 설치해야한다는 조항을 신설하여 선박의 안전한 접안을 강조하고 있다.
- 따라서 본 연구에서는 머신러닝 알고리즘 구축 시 일반적 으로 사용하는 홀드아웃을 적용하여 수집한 데이터를 Train 데이터셋과 Test 데이터셋으로 나누어 분석을 진행하였다.
- 따라서 평가지표는 F-1 score와 Fβ 값을 활용하였는데 특히 Fβ는 예측의 정확성을 나타내는 Precision에 가중치를 두었다.
- 머신러닝 모델 구축 단계에 앞서, 데이터 스케일링과 원-핫 인코딩을 통해 데이터의 전처리를 실시하였다. 전처리를 완료한 데이터는 홀드아웃 방식을 사용하여 Table 5와 같이 3:1비율로 Train 데이터와 Test 데이터를 분리하였다.
- 2와 같은 구성으로 이루어진다. 먼저, 선박 접안관련 데이터를 수집하고 이를 바탕으로 탐색적 자료 분석을 실시한다. 머신러닝 분류 알고리즘의 적용을 위해 데이터 전처리 실시한다.
- 본 연구에서는 Table 4와 같이 변수를 구분하고, 종속변수는 접안속도, 독립변수는 접안속도 영향요인으로 정의한다. 분석에 사용되는 독립변수는 3개의 범주형 변수와 5개의 연속형 변수로 이루어져 있다.
- 이는 데이터 분석 과정에 있어 꼭 필요한 과정이며, 특히 머신러닝 모델의 성능을 높이기 위해 초기 데이터를 가공하는 과정을 거쳐야 한다(Zheng and Casari, 2018). 본 연구에서는 연속형 데이터의 단위를 통일하는 데이터 스케일링(Data Scaling)과 범주형 데이터 변환에 사용되는 원-핫 인코딩(One-hot encoding)을 사용하여 데이터를 처리하였다.
- 본 연구에서는 접안속도를 10 cm/s 이상과 10 cm/s 미만으로 나누어 분석하고 영향요소의 중요도를 도출한다. 따라서 목적변수가 두개로 분류된 방법을 사용해야함으로 머신러닝 이진분류 알고리즘을 활용하였다.
- 특히 머신러닝 분류 알고리즘은 입력한 변수들의 상관관계를 통해 중요도를 도출할 수 있다. 분석에 활용한 머신러닝 분류 알고리즘은 의사결정나무(Decision Tree), 랜덤포레스트(Random Forest), 로지스틱회귀(Logistic Regression), 퍼셉트론(Perceptron)이며, 모델의 성능을 혼동행렬(Confusion matrix)을 통한 평가 지표로 비교하고 가장 성능이 좋은 모델을 채택하여 접안속도 영향요소의 중요도를 도출하였다.
- (2) 접안속도 영향요인을 독립변수로 설정하고 선박 접안 속도를 종속변수로 설정하였다. 분석을 위해 데이터 표준화와 범주형 변수의 변환을 위해 전처리를 실시하였다. 전처리가 완료된 접안속도 데이터를 머신러닝 분류 알고리즘으로 적용하였으며 의사결정나무, 랜덤포레스트, 로지스틱회귀, 퍼셉트론을 활용하였다.
- 또한 본 연구에서 수행해야하는 머신러닝 이진 분류 알고리즘을 위해서는 종속 변수인 접안속도를 2개의 범주로 분리해야한다. 이를 위해 데이터를 수집한 탱커부두의 설계기준 규정을 참조하여 분류하였다.
- (1) 기존 접안속도 관련 연구에서는 선박의 크기, 부두의 위치, 재화상태 등이 접안속도에 영향을 미치는 요소라 가정한 분석이 이루어졌다. 하지만 본 연구에서는 8개의 접안 속도 영향요소를 고려하여 분석하였다. Jetty No.
대상 데이터
- State, DWT 변수는 Port-Mis를 통해 조사하였다. Pilot, Tug H.P.변수는 도선예보를 통해 수집하였으며, Wind, Wave변수는 기상자료개발포털에서 터미널과 가장 가까운 해상 부이의 데이터를 참조하였다. 범주형 변수는 Fig.
- 날씨 데이터의 경우, 해당 부두에서 가장 가까운 해상부이의 기상청 데이터를 활용하였으며, Current 요인은 해당 부두가 국내의 대표적인 ‘Closed’ 항만으로 조류 영향이 거의 없는 경우에 해당하여 배제하였다.
- 전처리를 완료한 데이터는 홀드아웃 방식을 사용하여 Table 5와 같이 3:1비율로 Train 데이터와 Test 데이터를 분리하였다. 머신러닝 모델을 학습하기 위한 Train 데이터는 267개, 모델의 성능을 평가하는 Test 데이터는 89개로 구성되어있다.
- 본 연구의 분석에 필요한 접안속도 영향요소에 해당하는 데이터 수집은 Table 1과 같이 PIANC WG145의 접안속도에 영향을 미치는 요소를 바탕으로 데이터를 수집하였다. ‘Closed/Open quay/jetty’ 요소의 경우 jetty 위치를 나타내는 변수로 지정 하였다.
- 본 연구에서는 선박 접안속도 영향요소의 중요도를 도출 하였다. 분석을 위해 국내 한 Tanker 부두에서 356개의 접안 속도 데이터를 실측하고 영향요소에 대한 데이터도 함께 수집하였다. 알고리즘은 데이터를 수집한 8개의 영향요소를 고려하여 분석할 수 있는 머신러닝 분류 알고리즘을 적용하였다.
- 접안속도는 Fig. 3과 같이 전라남도 여수에 위치하고 있는 DAS(Docking Aid System)가 설치된 무역항 중 Jetty 1~3으로 구분된 tanker 터미널 부두에서 2017년 3월부터 2019년 9월까지 접안속도 실측데이터를 수집하였다. Roubos et al.
이론/모형
- (3) 머신러닝 분류 알고리즘의 적용 결과는 혼동행렬로 나타나며 이에 따른 모델 평가지표는 F1-score, Fβ 값을 활용하였다.
- , MaxAngle, Berthing Velocity는 DAS를 통해 수집 하였다. State, DWT 변수는 Port-Mis를 통해 조사하였다. Pilot, Tug H.
- 본 연구에서는 접안속도를 10 cm/s 이상과 10 cm/s 미만으로 나누어 분석하고 영향요소의 중요도를 도출한다. 따라서 목적변수가 두개로 분류된 방법을 사용해야함으로 머신러닝 이진분류 알고리즘을 활용하였다. 머신러닝 이진분류 알고리즘의 대표적인 방법은 의사결정나무, 랜덤포레스트, 로지스틱 회귀, 퍼셉트론이 있다.
- 따라서 본 연구에서는 연속형(Continuous) 데이터의 분석을 위해 스케일링을 수행하였으며, 수행한 스케일링의 종류는 RobustScaler를 사용하였다.
- , 2019). 머신러닝에서는 퍼셉트론보다 더욱 발전된 Multi-Layer Perceptron(MLP)이 많이 사용되고 있으나, 본 연구의 목적인 변수별 중요도를 파악하기 위해, 가중치를 통해 시각적으로 즉시 분별할 수 있는 퍼셉트론 알고리즘을 사용하였다. 퍼셉트론은 입력변수 \(x\)\(1\)\(,\) \(x\)\(2\)\(, …, \) \(x\)\(i\)에 가중치 \(w\)\(1\)\(,\) \(w\)\(2\)\(, … , \) \(w\)\(i\) 가 적용되고 그 합은 threshold θ의 비교로 계산되며 식(6)과 같다(Kanal, 2003).
- 이 알고리즘은 노드에서 가지를 칠때 이진분류(Binary Split)를 하는 방식이다. 본 연구에서 사용 되는 나무의 노드 분할 측도로는 Gini Index를 사용하였다. Gini Index는 전체 데이터(\(m\))을 임의의 \(D \)영역을 기준으로 분리할 때 ‘\(i\)’ 범주에 속하는 class의 비율( \(p\)\(i\) )과 속하지 않는 비율(\(1-p\)\(i\) )의 곱으로 나타내며, 데이터가 잘못 분류되는 빈도를 측정한 것으로 식(2)와 같다(Han et al.
- 혼동행렬을 바탕으로 평가방법을 적용한 결과는 Table 9와 같다. 본 연구에서는 종속변수가 접안속도 10cm/s를 기준하므로, 긍정의 범주에 해당하는 Over10의 분류정도를 나타내는 Recall과 Precision지표를 활용하였다. Recall은 실제 입력된 22개의 Over10값 중 Over10으로 올바르게 예측된 지표이다.
- 랜덤포레스트는 다수의 의사결정나무가 모여 숲을 이룬 형태로 모델을 학습하는 방법이다(Breiman, 2001). 숲을 구성 하는 방법은 배깅(Bootstrap Aggregating, Bagging)을 기초로 한다. 배깅은 부스스트랩(Bootstrap)을 통해 조금씩 다른 Train 데이터셋을 여러 개 생성하여 훈련하고 결합시키는 방법이다.
- 분석을 위해 국내 한 Tanker 부두에서 356개의 접안 속도 데이터를 실측하고 영향요소에 대한 데이터도 함께 수집하였다. 알고리즘은 데이터를 수집한 8개의 영향요소를 고려하여 분석할 수 있는 머신러닝 분류 알고리즘을 적용하였다. 영향요소의 중요도는 혼동행렬을 사용하여 그에 따른 평가지표를 활용하였다.
- 알고리즘은 데이터를 수집한 8개의 영향요소를 고려하여 분석할 수 있는 머신러닝 분류 알고리즘을 적용하였다. 영향요소의 중요도는 혼동행렬을 사용하여 그에 따른 평가지표를 활용하였다. 그 결과를 요약하면 다음과 같다.
- 분석을 위해 데이터 표준화와 범주형 변수의 변환을 위해 전처리를 실시하였다. 전처리가 완료된 접안속도 데이터를 머신러닝 분류 알고리즘으로 적용하였으며 의사결정나무, 랜덤포레스트, 로지스틱회귀, 퍼셉트론을 활용하였다.
성능/효과
- 8에서 Frequency 그래프로 시각화하였다. 3개의 범주형 변수에서 Jetty2, Ballast, Class1의 경우 약 31.8 %, 36.4 %, 18.2 %로 Over10가 차지하는 비중이 상대적으로 높았으나 접안속도와 명확한 규칙성은 나타나지 않았다. 연속형 독립 변수의 경우 Fig.
- 값을 활용하였다. 그 결과 퍼셉트론이 0.476, 0.49 값으로 가장 성능이 좋은 모델로 채택되었다.
- 따라서 선박이 안전하게 부두에 접안하기 위해서는 위와 같은 영향요소의 우선순위에 따라 접안속도를 고려해야한다. 또한 DWT가 커질수록 접안속도는 낮아지며, 부두의 위치에 따라 접안속도 결정에 영향을 미치고, 화물을 적재한 경우보다 경하상태일 때 접안속도가 높은 경향을 보인다는 결과를 도출하였다.
- (2017)는 다양한 접안속도 영향 요소 데이터를 수집하고 분석하였지만 기초적인 통계 분석 만을 사용하였다. 또한 기존의 가정인 선박의 크기, 재화상태, 기상 등과 접안속도의 규칙성은 찾을 수 없으며 접안각도, 도선사, 예인선 등의 영향요소가 접안속도와 상관관계가 높은 것으로 분석하였다. 하지만 기초 통계 분석의 한계로 이는 요인 간 상관관계와 중요도는 고려되지 않았다.
- 모델평가 결과, F-1 score와 Fβ지표는 퍼셉트론, 의사결정나무, 랜덤포레스트, 로지스틱 회귀 순으로 나타났으며 그에 따라 퍼셉트론(F-1 score:0.476, Fβ :0.490)을 최종 모델로 채택하였다.
후속연구
- 하지만 본 연구는 국내의 한 Tanker 부두에 한정된 연구 결과라는 한계점이 있다. 더하여 데이터의 수를 보다 많이 수집할 수 있다면 분석결과의 설명력은 높아질 것이라고 판단된다. 따라서 다양한 선종과 부두를 대상으로 많은 수의 데이터를 수집하여 분석한다면 신뢰성 높은 결과를 도출할 것으로 생각한다
- 더하여 데이터의 수를 보다 많이 수집할 수 있다면 분석결과의 설명력은 높아질 것이라고 판단된다. 따라서 다양한 선종과 부두를 대상으로 많은 수의 데이터를 수집하여 분석한다면 신뢰성 높은 결과를 도출할 것으로 생각한다
- 하지만 본 연구는 국내의 한 Tanker 부두에 한정된 연구 결과라는 한계점이 있다. 더하여 데이터의 수를 보다 많이 수집할 수 있다면 분석결과의 설명력은 높아질 것이라고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.