[논문]가우시안 혼합모델을 이용한 공항 접근 패턴 추출 및 패턴 별 과이탈 확률 분석

류재영; 한성민; 이학태

doi:10.12673/jant.2023.27.6.888

[국내논문] 가우시안 혼합모델을 이용한 공항 접근 패턴 추출 및 패턴 별 과이탈 확률 분석
Extracting Patterns of Airport Approach Using Gaussian Mixture Models and Analyzing the Overshoot Probabilities 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.27 no.6, 2023년, pp.888 - 896

류재영 (인하대학교 항공우주공학과) , 한성민 (인하대학교 항공우주공학과) , 이학태 (인하대학교 항공우주공학과)

초록
AI-Helper

항공기 착륙 시에는 정해진 절차에 따라 접근이 이루어진 다음, 활주로 중심선과 정렬하여 착륙하게 된다. 하지만 공항의 상황, 주변 항공기의 상황, 또는 관제사의 지시 등에 따라 빈번한 레이더 벡터링이 일어나기 때문에, 교통 흐름을 파악하거나, 비행 안전성을 파악하기 위해서는 항공기의 접근 패턴을 인지할 필요가 있다. 또한 최종 접근 시 활주로 중심선과 정렬하는 과정에서 과이탈이 발생하는 경우가 있는 데, 이는 이후 불안정 접근 등과 같이 보다 위험한 상황을 초래할 수 있다. 본 논문에서는 클러스터링 기법을 이용하여 접근 구간에서의 항공기 궤적들의 패턴을 추출하였다. GMM (Gaussian Mixture Model)을 이용하여 김해공항 접근 항공기 궤적에 대한 클러스터링을 진행하였으며, 2019년 1년간 김해공항으로 착륙한 항공기의 데이터를 이용하였다. 클러스터 별 centroid 값을 이용하여, 총 86개의 접근 궤적 패턴을 추출하였다. 그 후 각 클러스터 내 항공기 중 최종 접근시 과이탈하는 항공기를 탐지하여 확률 분포를 계산하였다.

Abstract ▼ AI-Helper

When an aircraft is landing, it is expected that the aircraft will follow a specified approach procedure and then land at the airport. However, depending on the airport situation, neighbouring aircraft or the instructions of the air traffic controller, there can be a deviation from the specified approach. Detecting aircraft approach patterns is necessary for traffic flow and flight safety, and this paper suggests clustering techniques to identify aircraft patterns in the approach segment. The Gaussian Mixture Model (GMM), one of the machine learning techniques, is used to cluster the trajectories of aircraft, and ADS-B data from aircraft landing at the Gimhae airport in 2019 are used. The aircraft trajectories are clustered on the plane, and a total of 86 approach trajectory patterns are extracted using the centroid value of each cluster. Considering the correlation between the approach procedure pattern and overshoots, the distribution of overshoots is calculated.

주제어

표/그림 (19)

그림 그림 1. ADS-B 데이터 포멧 Fig. 1. ADS-B Trajectory Data Format
그림 그림. 2. 김해공항 STAR 시작지점 Fig. 2. RKPK first STAR start WPT
그림 그림. 3 궤적 예시 :　KAL 1105 Fig. 3. Trajectory sample : KAL 1105
그림 그림. 4. 과이탈 계산 과정 Fig. 4. Overshoot calculation process
표 표 1. 김해공항 STAR 시작지점 파라미터 Table. 1. RKPK STAR first WPT parameter
표 표 2. 람베르트 정각원추도법 기준 좌표 Table. 2. Lambert conic conformal projection values
그림 그림. 5. 덴드로그램 : 예시 Fig. 5. Dendrogram : Example
그림 그림. 6. 김해공항 : 클러스터 중심값 Fig 6. RKPK : Cluster Centroid
그림 그림. 7. 김해공항 : 클러스터 43번 궤적 Fig. 7. RKPK : Cluster 43 trajectories
그림 그림. 8. 김해공항 : 클러스터 75번 궤적 Fig. 8. RKPK : Cluster 75 trajectories
그림 그림. 9. TOPAX를 지나 런웨이 36으로 들어가는 궤적의 중심값 Fig. 9. Centroid of Trajectories through TOPAX and into Runway 36
그림 그림. 10. TOPAX를 지나 런웨이 36으로 들어가는 궤적 중심값의 위도와 경도 Fig. 10. Latitude and Longitude of the Trajectory Centroid through TOPAX and into Runway 36
표 표 3. 클러스터 별 항공기 수 Table. 3. Number of Aircraft in each Cluster
그림 그림. 11. TOPAX와 ZULBI를 통해 런웨이 36으로 들어가는 궤적의 중심값 Fig. 11. Centroid of Trajectories through TOPAX and ZULBI and into Runway 36
그림 그림. 12. TOPAX, ZULBI를 통해 런웨이 36으로 들어가는 궤적 중심값의 위도와 경도 Fig. 12. Latitude and Longitude of the Trajectory Centroid through TOPAX and ZULBI and into Runway 36
그림 그림 13. MASTA를 지나 런웨이 36으로 들어가는 궤적의 중심값 Fig. 13. Centroid of Trajectories through MASTA and into Runway 36
표 표 4. 빅클러스터 별 과이탈 발생 비율 Table 4. Overshoot Rate per Big Cluster
그림 그림 14. KALEK를 지나 런웨이 36으로 들어가는 궤적의 중심값 Fig. 14. Centroid of Trajectories through KALEK and into Runway 36
그림 그림. 15. 선회비행 후, 런웨이 36으로 들어가는 궤적의 중심값 Fig. 15. Centroid of Trajectroies Where the Circling Flight Occurred

AI 본문요약
AI-Helper

문제 정의

데이터 기반 항공 안전 분석은 항공 산업에서 발생한 다양한 데이터를 수집하고 분석하여 안전문제를 예방하는 것을 목적으로 한다. 최근 항공 전자 장비 발달과 통신 장비의 발달로 인해 데이터 수집이 용이해지면서, 대용량 데이터를 처리하기 위해, 머신러닝을 이용한 연구가 많이 진행되고 있다.
본 논문은 GMM 알고리즘을 이용하여 김해공항 접근 항공기들의 접근 궤적 패턴을 추출하고, 패턴 별 과이탈이 일어난 확률을 계산한다. 2019년 김해 공항으로 착륙한 항공기의 데이터를 이용하였으며, GMM 알고리즘의 k값을 구하기 위해 Aggolmerative 알고리즘을 이용하였다.

제안 방법

본 연구는 김해공항 착륙 항공기를 대상으로, 접근 단계 시의 항공기 궤적 패턴을 확인하였으며, 접근 단계 패턴 별, 과이탈이 일어난 확률을 분석하였다. 머신러닝 기반의 데이터 군집화 모델인 GMM 알고리즘을 이용하였으며, GMM 알고리즘 계산 시, 필요한 k값은 Agglomerative 알고리즘을 이용하여 구하였다.
p은 항공기 궤적 수를 의미하고, p는 항공기 궤적의 feature dimension을 의미한다. 본 연구에서는 평면상에서의 항공기 궤적을 이용하여 클러스터링을 진행하였다.
이는 착륙 시에 날씨 조건, 항공기의 제동 장치 불량 또는 작동이상 등의 다양한 이유로 나타날 수 있으며, 활주로 이탈 또는 경착륙을 유발할 수 있기 때문에, 사전에 예방할 필요가 있다. 접근 절차 패턴과 과이탈 사이의 상관관계가 존재할 것으로 예상하여, 접근 절차 패턴별 과이탈이 일어난 확률을 분석하였다.
클러스터의 중심값들은 유사한 궤적을 가지는 경우가 존재하였기 때문에, 접근단계 시작 지점, 활주로 방향 등에 따른 빅클러스터로 구분하였다. 클러스터 별 과이탈 발생 여부를 계산하였으며, 과이탈이 일어난 확률을 분석하였다. 분석 결과, MASTA, KALEK을 접근 단계의 시작 지점으로 하고, 활주로 36으로 착륙하는 경우, 과이탈이 많이 일어났으며, 특히 선회 길이가 짧을수록 과이탈이 많이 일어나는 것을 확인하였다.

대상 데이터

접근 단계의 시작 지점을 STAR 절차 첫 지점으로부터 10 nmi 내에 들어온 경우로 지정하였으며, 접근 단계의 마지막 지점은 공항으로부터 3 nmi 내에 들어올 경우로 지정하였다. 2019년도 ADS-B 데이터를 사용하였기 떄문에, 2019년도 김해공항의 STAR 절차를 이용하여 접근 단계를 지정하였으며, 그림 2는 2019년 김해공항 STAR 시작 지점과 김해공항을 나타낸다. STAR의 시작 지점을 빨간원으로 표현하였으며, 김해공항을 노란원으로 표현하였다.
항공기 항적은 검정색 점선으로 표현하였으며, 김해공항 STAR 절차를 가시화하였다. STAR 시작 지점을 통과한 다음, 착륙할 때까지의 시간이 비정상적인 데이터를 제외한 총 53572대의 항공기 데이터를 재생성하였다.
항공기의 위치, 속도, 고도, 방향 등의 정보를 가지고 있으며, 2020년부터 미국과 유럽의 모든 민간 항공기는 ADS-B 시스템 장착을 의무화하였다 [12]. 그림 1은 ADS-B 데이터 예시를 나타내며, 본 논문에서는 FlightAware에서 구매한 2019년도 ADS-B 데이터를 이용하여 연구를 진행하였다.
2019년 김해 공항으로 착륙한 항공기의 데이터를 이용하였으며, GMM 알고리즘의 k값을 구하기 위해 Aggolmerative 알고리즘을 이용하였다. 총 53572대의 항공기 데이터를 이용하여, 86개의 클러스터로 분류하였으며 각각 클러스터의 중심값을 이용하여, 접근 궤적 패턴을 추출하였다. 클러스터의 중심값 궤적을 확인한 결과, 유사한 중심값 궤적을 가지는 클러스터들이 존재하였기 때문에, 한 단계 큰 클러스터로 통합하였으며, 각 클러스터 별, 과이탈이 일어난 확률을 계산하였다.
하지만 클러스터 43 내에 존재하는 해당 항공기들은 활주로와 정렬 전까지, 직선으로 기동하는 특징이 있으며, 다른 항공기들보다 빠르게 착륙하는 것을 확인하였다. 항공기가 착륙한 이후, 김해공항의 좌표인 원점으로 Data matrix를 구현하였기 때문에, 착륙 시간이 비교적 짧은 TOPAX를 시작 지점으로 하는 클러스터에 포함되었으며, 총 7268 궤적 중, 427대의 항공기가 해당 경향을 보였다.

데이터처리

머신러닝 기반의 데이터 군집화 모델인 GMM 알고리즘을 이용하였으며, GMM 알고리즘 계산 시, 필요한 k값은 Agglomerative 알고리즘을 이용하여 구하였다. 그 결과 86개의 클러스터를 구하였으며, 클러스터의 중심값을 이용하여 접근 궤적 패턴을 추출하였다. 클러스터의 중심값들은 유사한 궤적을 가지는 경우가 존재하였기 때문에, 접근단계 시작 지점, 활주로 방향 등에 따른 빅클러스터로 구분하였다.
총 53572대의 항공기 데이터를 이용하여, 86개의 클러스터로 분류하였으며 각각 클러스터의 중심값을 이용하여, 접근 궤적 패턴을 추출하였다. 클러스터의 중심값 궤적을 확인한 결과, 유사한 중심값 궤적을 가지는 클러스터들이 존재하였기 때문에, 한 단계 큰 클러스터로 통합하였으며, 각 클러스터 별, 과이탈이 일어난 확률을 계산하였다. 계산 결과 MASTA를 접근 단계의 시작 지점으로 하여, 활주로 36으로 착륙하는 항공기와 KALEK을 시작 지점으로 하여 활주로 36으로 착륙하는 항공기들의 경우, 과이탈이 일어난 확률이 높았으며, 특히 활주로 정렬 시, 정렬 거리가 짧을수록 과이탈이 일어난 확률이 높은 것을 확인하였다.

이론/모형

본 논문은 GMM 알고리즘을 이용하여 김해공항 접근 항공기들의 접근 궤적 패턴을 추출하고, 패턴 별 과이탈이 일어난 확률을 계산한다. 2019년 김해 공항으로 착륙한 항공기의 데이터를 이용하였으며, GMM 알고리즘의 k값을 구하기 위해 Aggolmerative 알고리즘을 이용하였다. 총 53572대의 항공기 데이터를 이용하여, 86개의 클러스터로 분류하였으며 각각 클러스터의 중심값을 이용하여, 접근 궤적 패턴을 추출하였다.
최근 항공 전자 장비 발달과 통신 장비의 발달로 인해 데이터 수집이 용이해지면서, 대용량 데이터를 처리하기 위해, 머신러닝을 이용한 연구가 많이 진행되고 있다. 논문[1]과 [2]의 경우는 각각 Extreme Leraning machine 알고리즘과 Temporal Logic Learning 알고리즘을 이용하여 항공기 데이터상에서의 이상 징후를 찾는 연구를 진행하였다. 논문[3]의 경우는 GMM (Gaussian Mixture Model)을 이용하여 항공기 속도, Angle of Attck등의 파라미터에 대한 이상 징후 탐지 연구를 진행하였다.
논문[1]과 [2]의 경우는 각각 Extreme Leraning machine 알고리즘과 Temporal Logic Learning 알고리즘을 이용하여 항공기 데이터상에서의 이상 징후를 찾는 연구를 진행하였다. 논문[3]의 경우는 GMM (Gaussian Mixture Model)을 이용하여 항공기 속도, Angle of Attck등의 파라미터에 대한 이상 징후 탐지 연구를 진행하였다. 머신러닝을 이용하여 항공기 궤적 패턴을 추출하는 연구도 많이 진행되고 있는데, 논문[4]의 경우는 k-means와 DBSCAN 알고리즘을 이용하여 접근 항공기의 패턴을 추출하였다.
본 연구는 김해공항 착륙 항공기를 대상으로, 접근 단계 시의 항공기 궤적 패턴을 확인하였으며, 접근 단계 패턴 별, 과이탈이 일어난 확률을 분석하였다. 머신러닝 기반의 데이터 군집화 모델인 GMM 알고리즘을 이용하였으며, GMM 알고리즘 계산 시, 필요한 k값은 Agglomerative 알고리즘을 이용하여 구하였다. 그 결과 86개의 클러스터를 구하였으며, 클러스터의 중심값을 이용하여 접근 궤적 패턴을 추출하였다.
그림 5는 Agglomerative Clustering을 진행하여 얻을 수 있는 Dendrogram을 나타내었다. 본 연구에서는 GMM을 이용하여 항공기 궤적 분석을 진행하는데, 이를 위한 k값을 얻기 위해 해당 알고리즘을 사용한다.
ADS-B 데이터와 STAR 정보를 담고 있는 AIP 문서의 경우, 위치 정보를 위도, 경도로 나타내기 때문에 이를 평면상에 투영할 필요가 있다. 본 연구에서는 김해공항의 좌표를 원점으로 하는 람베르트 정각원추도법을 사용하여 평면상에 투영하였으며 사용한 지표는 표 2에 나타내었다 [13].
이를 보완하기 위해 항적 데이터를 1초 단위로 시간 동기화를 진행하였다. 위에 제시한 람베르트 정각원추도법을 이용하여 항공기 위도, 경도 좌표를 (x, y)값으로 나타냈고 선형보간을 통해 1초 간격으로 데이터를 동기화 하였다. 그림 3은 ADS-B 데이터를 이용하여 재생성한, 김해공항으로 접근하는 항공기 데이터의 예시를 보여준다.

성능/효과

클러스터의 중심값 궤적을 확인한 결과, 유사한 중심값 궤적을 가지는 클러스터들이 존재하였기 때문에, 한 단계 큰 클러스터로 통합하였으며, 각 클러스터 별, 과이탈이 일어난 확률을 계산하였다. 계산 결과 MASTA를 접근 단계의 시작 지점으로 하여, 활주로 36으로 착륙하는 항공기와 KALEK을 시작 지점으로 하여 활주로 36으로 착륙하는 항공기들의 경우, 과이탈이 일어난 확률이 높았으며, 특히 활주로 정렬 시, 정렬 거리가 짧을수록 과이탈이 일어난 확률이 높은 것을 확인하였다.
클러스터 별 과이탈 발생 여부를 계산하였으며, 과이탈이 일어난 확률을 분석하였다. 분석 결과, MASTA, KALEK을 접근 단계의 시작 지점으로 하고, 활주로 36으로 착륙하는 경우, 과이탈이 많이 일어났으며, 특히 선회 길이가 짧을수록 과이탈이 많이 일어나는 것을 확인하였다.
전체 항적 대비 6.85퍼센트의 항적에서 과이탈이 일어났으며, 빅클러스터와 스몰 클러스터 별 과이탈이 일어난 확률을 분석하였다. 표 4은 빅클러스터 별 과이탈이 일어난 확률을 나타낸다.

후속연구

본 논문을 통해 수행한 연구 결과를 바탕으로, 국내 주요 공항들에 접근 단계 패턴화를 진행할 것이며, 과이탈이 아닌 다른 안전문제와도 연관지어 연구를 진행할 계획이다.

참고문헌 (17)

V. M. Janakiraman and D. Nielsen, "Anomaly detection in？aviation data using extreme learning machines," 2016？International Joint Conference on Neural Networks (IJCNN), Vancouver: BC, pp. 1993-2000, 2016.
R. Deshmukh, D. Sun, K. Kim, and I. Hwang, "Temporal logic？learning-based anomaly detection in metroplex terminal？airspace operations," Transportation Research Part C:？Emerging Technologies, Vol. 126, May. 2021.

상세보기
L. Li, R.J. Hansman, R. Palacios, R. Welsch, "Anomaly？detection via a Gaussian Mixture Model for flight operation and？safety monitoring," Transportation Research Part C Emerging？Technologies, Vol. 64, pp. 45-57, Mar. 2016.

상세보기
G. Xuhao, Z. Junfeng, and P. Zihan, "Trajectory clustering for？arrival aircraft via new trajectory representation," Journal of？Systems Engineering and Electronics, Vol. 32, pp. 473-486,？Apr. 2021.
M. C. R. Murca and M. D. Oliveira, "A Data-Driven？Probabilistic Trajectory Model for Predicting and Simulating？Terminal Airspace Operations," 2020 AIAA/IEEE 39th Digital？Avionics Systems Conference (DASC), San Antonio: TX, pp.？1-7, 2020.
S. T. Barratt, M. J. Kochenderfer, and S. P. Boyd, "Learning？Probabilistic Trajectory Models of Aircraft in Terminal？Airspace From Position Data," IEEE Transactions on Intelligent Transportation Systems, Vol. 20, No. 9, pp.？3536-3545, Sep. 2019.

상세보기
W, Zeng, Z. Xu, Z. Cai, X. Chu, and X. Lu, "Aircraft Trajectory？Clustering in Terminal Airspace Based on Deep？Autoencoderand Gaussian Mixture Model," Aerospace, pp. 266,？Aug. 2021.
C. Deng, K. Kim, H. -C. Choi, and I. Hwang, "Trajectory？Pattern Identification for Arrivals in Vectored Airspace," 2021？IEEE/AIAA 40th Digital Avionics Systems Conference？(DASC), San Antonio, TX, USA, pp. 1-8, 2021.
S. J. Corrado, T. G. Puranik, O. J. Pinon, and D. N. Mavris,？"Trajectory Clustering within the Terminal Airspace Utilizing a Weighted Distance Function," Proceedings, Vol 59, No. 7,？2020.
C. Deng, H. -C. Choi, H. Park, and I. Hwang, "Trajectory？pattern identification and classification for real-time air traffic？applications in Area Navigation terminal airspace,"？Transportation Research Part C: Emerging Technologies, Vol.？142, pp. 103765, 2022.

상세보기
H. -C. Choi, C. Deng, and I. Hwang, "Hybrid Machine？Learning and Estimation-Based Flight Trajectory Prediction in？Terminal Airspace," in IEEE Access, Vol. 9, pp.？151186-151197, 2021.

상세보기
J. Sun, The 1090 Megahertz Riddle [Internet]. Available:？https://mode-s.org/decode/content/ads-b/1-basics.html
D. Nagy, "The Lambert Conformal Conic Projection: A Short？Algorithm to Calculate the Direct and Inverse Transform"？CISM Journal, Vol. 44, No. 2, pp. 158-164, 1990.

상세보기
S. M. Han, B. S. Park, and H. T. Lee, "Development of Final？Approach Overshoot Calculation Algorithm", Proceeding of the？2023 KSAS Spring Conference, pp. 1138-1139, 2023.
S. C. Johnson, "Hierarchical Clustering Schemes,"？Psychometrika, Vol. 32, No. 3, pp. 241-254, 1967.

상세보기
S. Sharma., N. Batra, "Comparative Study of Single Linkage,？Complete Linkage, and Ward Method of Agglomerative？Clustering," 2019 International Conference on Machine？Learning, Big Data, Cloud and Parallel Computing？(COMITCon), pp. 568-573, 2019.
D. A. Reynolds, "Gaussian mixture models.," Encyclopedia of？biometrics, Vol. 741, pp. 827-832, 2009.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증