JP6633795B2 - 機械学習を用いた船舶の損失航跡データ推定システム - Google Patents

Description

本発明は、機械学習を用いた船舶の損失航跡データ推定システムに係り、より詳細には、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定する、機械学習を用いた船舶の損失航跡データ推定システムに関する。

韓国の船舶設備基準第１０８条の５（国土海洋部告示第２０１３−１７９号）によれば、沿海区域以上を航海する総トン数５０トン以上の浮き船を除くすべての船舶は、船舶自動識別装置（ａｕｔｏｍａｔｉｃ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｙｓｔｅｍ、以下「ＡＩＳ」という。）を義務的に搭載しなければならない。

ＡＩＳを介して受信した航跡データは、船舶交通管制システム（ＶＴＳ）の船舶モニタリングと海洋事故分析に活用されることもある。主要港湾は、海上交通量の輻輳や危険貨物の増加、潜在的な環境汚染の危険などから港湾の安全または港湾運営の効率性を向上させるために、船舶交通管制サービス（ＶＴＳ、ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｓｅｒｖｉｃｅ）を提供している。

このようなＡＩＳシステムは、ＧＰＳデータに基づいて運営され、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）が持つ電波的な特性のために陰影区域が発生することもあり、海上交通が輻輳する状況では、ＡＩＳシステムの通信許容容量を超過して基地局からＡＩＳデータを受信しない場合が発生することもある。

また、海上事故などの理由で、船内に設置されたＧＰＳ或いはＡＩＳ装備が正常動作しない場合でも、航跡データの受信が不可能であり、最終的に航跡データの損失区間が発生するという問題点がある。

時間による船舶の位置や針路、速度情報などで構成される航跡データは、海洋事故の原因分析に非常に重要であり、受信したデータを補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）し、損失した航跡データを推定する作業が必ず先行されなければならない。よって、航跡データの損失を推定することは非常に重要な作業である。

韓国登録特許公報第１０−１０２９０４８号（発明の名称：水上艦の気泡航跡に対する音響及び画像信号特性の相関関係モデルを用いた相手信号の特性推定方法）

そこで、本発明は、前述した従来技術の問題点を解決するためのもので、その目的は、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定する、機械学習を用いた船舶の損失航跡データ推定システムを提供することにある。

本発明の他の目的は、既存の航跡データを反映して、実際船舶の運動特性が反映された航跡を推定することができるため、実際船舶の運動特性が反映された航跡を推定することができる、機械学習を用いた船舶の損失航跡データ推定システムを提供することにある。

上記目的を達成するための機械学習を用いた船舶の損失航跡データ推定システムは、ＡＩＳを介して受信した当該船舶の航跡データを記録し、前記船舶に対する諸元を含むＡＩＳ航跡データベースと、前記ＡＩＳ航跡データベースに含まれている船舶の諸元から前記船舶の長さ、幅および喫水によって船舶の種類を区分する船舶種類分類部と、前記ＡＩＳ航跡データベースに格納された航跡データと前記船舶種類分類部によって分類された前記船舶の種類に応じて船舶の運動特性を学習する船舶運動特性学習部と、運用者から推定対象区間に対する情報の入力を受ける入力部と、前記船舶の当該推定対象区間が選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算することにより最適航跡を決定する船舶航跡データ推定部とを含んで構成される。

ＡＩＳ航跡データベースは、当該船舶の船名、船舶の種類、船舶の諸元、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、および時間による船舶の針路情報を含むように構成できる。

前記船舶種類分類部は、船舶の諸元に含まれる船舶の長さ、幅および喫水によって船舶を分類し、クラスタリングアルゴリズムを利用して分類するように構成できる。

船舶運動特性学習部は、船舶の運動特性を学習するために、前記ＡＩＳ航跡データベースから航跡データのシーケンス、航跡データの変化量を入力として受け取り、今後の航跡データ及び航跡データのシーケンスを出力するように構成できる。

前記船舶航跡データ推定部は、入力部を介して入力された推定区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点と終着点とを連結した線の集合である候補航跡集合を生成する候補集合生成部と、時間によって順次入力される以前の航跡データを学習して前記推定区間に対して航跡予測データを生成する時系列予測航跡データ生成部と、前記候補集合生成部によって生成された候補航跡集合と前記時系列予測航跡データ生成部によって生成された航跡予測データとの誤差値をそれぞれ計算する推定誤差計算部と、前記それぞれの誤差値を比較して、最小誤差を持つ候補航跡集合の中から候補航跡を選択して最適航跡として決定する最適航跡決定部とを含んで構成できる。

前記候補集合生成部は、ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いて、ベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成できる。

前記時系列予測航跡データ生成部は、推定区間の開始点と終着点とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成できる。

したがって、本発明の機械学習を用いた船舶の損失航跡データ推定システムは、機械学習方法を用いて既存の航跡データを学習し、これを用いて航跡データを補間し、損失した航跡区間のデータを推定することにより、損失した航跡データまたは必要とする航跡データを復元することができるという効果がある。

また、本発明の機械学習を用いた船舶の損失航跡データ推定システムは、既存の航跡データを反映して、実際船舶の運動特性が反映された航跡を推定することができるので、実際船舶の運動特性が反映された航跡を推定することができるという効果がある。

本発明の一実施形態に係る機械学習を用いた船舶の損失航跡データ推定システムの構成を示すブロック構成図である。 本発明の一実施形態に係る図１の船舶運動特性学習部が機械学習する過程の一例を示す図である。 本発明の一実施形態に係る図１の船舶航跡データ推定部の構成を示すブロック構成図である。 本発明の一実施形態に係る図１の船舶航跡データ推定部が推定対象区間の航跡候補集合を生成する例を示す図である。 本発明の一実施形態に係る図１の船舶航跡データ推定部が制御点を移動して候補航跡を生成する例を示す図である。 本発明の一実施形態に係る図１の船舶航跡データ推定部が長短期メモリ方式の再帰型神経網を用いて航跡予測データを生成することを示す図である。 本発明の一実施形態に係る図１の船舶航跡データ推定部が距離誤差を測定する例を示す図である。

以下、本発明の実施形態を図面を参照して詳細に説明する。

図１は本発明の一実施形態に係る機械学習を用いた船舶の損失航跡データ推定システムの構成を示すブロック構成図である。

図１を参照すると、本発明の船舶の損失航跡データ推定システムは、ＡＩＳ航跡データベース１００、船舶種類分類部２００、船舶運動特性学習部３００、入力部４００及び船舶航跡データ推定部５００を含んで構成される。
ＡＩＳ航跡データベース１００は、ＡＩＳを介して受信した当該船舶の航跡データを記録し、前記船舶に対する諸元を含む。下記表１は、ＡＩＳ航跡データベース１００に格納された内容の一例を示す表である。

上記表１を参照すると、ＡＩＳ航跡データベース１００は、該当船舶の船名、船舶の種類、船舶諸元（長さ、幅、喫水）、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、時間による船舶の針路情報を含んで構成できる。表１には、前述した情報についてのみ説明しているが、周知の如く、船舶の履歴のように他の情報が含まれてもよく追加されてもよい。

船舶種類分類部２００は、ＡＩＳ航跡データベース１００に含まれている船舶の諸元から前記船舶の長さ、幅、および喫水によって船舶の種類を区分する。これは、船舶の形態によってその運動特性が異なるため、これを分類して学習モデルを生成するのである。すなわち、船舶を分類する基準として船舶の長さ、幅、喫水を使用し、学習データに含まれているすべての船舶諸元情報をＫ−平均アルゴリズム（ｋ−ｍｅａｎｓ）などのクラスタリングアルゴリズムを利用して自動的に分類するように構成した。分類された船舶の種類に応じて学習モデルを構成し、学習を行う。

船舶運動特性学習部３００は、ＡＩＳ航跡データベース１００に格納された航跡データと、前記船舶種類分類部２００によって分類された前記船舶の種類に応じて船舶の運動特性を学習する。例えば、入力部４００を介して入力された推定対象区間以前の航跡データをＡＩＳ航跡データベース１００から受け取り、船舶の諸元、例えば船舶の長さ、幅、喫水情報を受信して船舶の運動特性をＬＳＴＭを利用して学習する。船舶運動特性学習部３００は、船舶の運動特性を学習するために、前記ＡＩＳ航跡データベース１００から航跡データのシーケンス、航跡データの変化量を入力として受け、今後の航跡データ及び航跡データのシーケンスを出力し、出力された今後の航跡データ及び航跡データのシーケンスは、船舶航跡データ追跡部５００によって航跡を追跡するための情報として活用される。

図２は本発明の一実施形態に係る図１の船舶運動特性学習部が機械学習する過程の一例を示す図である。

入力部４００は、運用者から推定対象区間の情報の入力を受ける。図２に示すように、推定区間対象情報は、開始点がｔ−３であれば、終着点はｔ−１になることができる。

船舶航跡データ追跡部５００は、船舶の該当推定対象区間が入力部４００を介して選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算することにより、最適航跡を決定する。船舶航跡データ追跡部について、後述する図３を参照してより詳細に説明する。

図３は本発明の一実施形態に係る図１の船舶航跡データ推定部の構成を示すブロック構成図である。

図３を参照すると、船舶航跡データ推定部５００は、候補集合生成部５１０、時系列予測航跡データ生成部５２０、推定誤差計算部５３０、及び最適航跡決定部５４０を含んで構成される。

まず、候補集合生成部５１０は、入力部４００を介して入力された推定区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点ｔ−３と終着点ｔ−１とを連結した線の集合である候補航跡を生成する。

図４は本発明の一実施形態に係る図１の船舶航跡データ推定部が推定対象区間の航跡候補集合を生成する例を示す図である。

図４を参照すると、開始点ｔ−３から終着点ｔ−１まで３つの航跡候補集合が生成されている。図面では、３つの航跡候補のみを開示しているが、さらに多い数の航跡候補が集合形態で生成できる。

図５は本発明の一実施形態に係る図１の船舶航跡データ推定部が制御点を移動して候補航跡を生成する例を示す図である。

図５を参照すると、候補集合生成部５１０は、推定区間の開始点ｔ−３と終着点ｔ−１とを連結するにあたり、ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いてベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成できる。

時系列予測航跡データ生成部５２０は、時間によって順次入力される以前の航跡データを学習して前記推定区間に対して航跡予測データを生成する。

前記時系列予測航跡データ生成部５２０は、推定区間の開始点ｔ−３と終着点ｔ−１とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成するように構成される。

図６は本発明の一実施形態に係る図１の船舶航跡データ推定部が長短期メモリ方式の再帰型神経網を用いて航跡予測データを生成することを示す図である。

図６を参照すると、船舶運動特性学習部３００によって学習された航跡データのシーケンスを用いて航跡予測データを生成する。長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成することができる。すなわち、航跡予測データは、船舶運動特性学習部３００によって学習された船舶の運動特性を適用させて生成される。

推定誤差計算部５３０は、候補集合生成部５１０によって生成された候補航跡集合と時系列予測航跡データ生成部５２０によって生成された航跡予測データとの誤差値をそれぞれ計算する。

前記それぞれの誤差値を比較して、最小誤差を持つ候補航跡を選択して最適航跡として決定する最適航跡決定部を含んで構成できる。

図７は本発明の一実施形態に係る図１の船舶航跡データ推定部が距離誤差を測定する例を示す図である。

図７を参照すると、推定誤差計算部５３０が航跡候補集合の予測曲線と航跡予測データとを減算すると、最適航跡決定部５４０は、誤差値が最も小さい値を持つ航跡候補集合の当該予測曲線を最適航路として決定する。

前記本発明の内容は、図面に示された実施形態を参考に説明されたが、これは例示的なものに過ぎず、本技術分野における通常の知識を有する者であれば、これから様々な変形及び均等な他の実施形態が可能であることを理解するだろう。よって、本発明の真正な技術的保護範囲は、添付された特許請求の範囲の技術的思想によって定められるべきである。

１００ ＡＩＳ航跡データベース
２００ 船舶種類分類部
３００ 船舶運動特性学習部
４００ 入力部
５００ 船舶航跡データ推定部
５１０ 候補集合生成部
５２０ 時系列予測航跡データ生成部
５３０ 推定誤差計算部
５４０ 最適航跡決定部

Claims (6)

1. ＡＩＳを介して受信した当該船舶の航跡データを記録し、前記船舶に対する諸元を含むＡＩＳ航跡データベースと、
   前記ＡＩＳ航跡データベースに含まれている船舶の諸元から前記船舶の長さ、幅および喫水によって船舶の種類を区分する船舶種類分類部と、
   前記ＡＩＳ航跡データベースに格納された航跡データと前記船舶種類分類部によって分類された前記船舶の種類に応じて船舶の運動特性を機械学習する船舶運動特性学習部と、
   運用者から推定対象区間に対する情報の入力を受ける入力部と、
   前記船舶の当該推定対象区間が選択されると、前記推定対象区間に対する航跡候補集合を生成し、時系列予測航跡データを生成して前記航跡候補集合と前記時系列予測航跡データとの比較によって誤差を計算して、前記推定対象区間における航跡データの損失を補間する航跡として最適な最適航跡を決定する船舶航跡データ推定部とを含み、
   前記船舶航跡データ推定部は、
   前記入力部から入力された前記推定対象区間に対して前記船舶の船舶運動特性学習部の特性を満足させる開始点と終着点とを連結した線の集合である候補航跡集合を生成する候補集合生成部と、
   時間によって順次入力される以前の航跡データを機械学習して前記推定対象区間に対して航跡予測データを生成する時系列予測航跡データ生成部と、
   前記候補集合生成部によって生成された候補航跡集合と前記時系列予測航跡データ生成部によって生成された航跡予測データとの誤差値をそれぞれ計算する推定誤差計算部と、
   前記それぞれの誤差値を比較して、候補航跡集合の中から、最小誤差を持つ候補航跡を選択して、選択した前記候補航跡を、前記最適航跡として決定する最適航跡決定部とを含んでなる、機械学習を用いた船舶の損失航跡データ推定システム。
2. ＡＩＳ航跡データベースは、
   当該船舶の船名、船舶の種類、船舶の諸元、ＡＩＳデータの受信時間、時間による船舶の位置情報、時間による船舶の速度情報、および時間による船舶の針路情報を含む、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。
3. 前記船舶種類分類部は、
   船舶の諸元に含まれる船舶の長さ、幅および喫水によって船舶を分類し、クラスタリングアルゴリズムを利用して分類するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。
4. 船舶運動特性学習部は、
   船舶の運動特性を機械学習するために、前記ＡＩＳ航跡データベースから航跡データのシーケンス、航跡データの変化量を入力として受け、今後の航跡データ及び航跡データのシーケンスを出力するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。
5. 前記候補集合生成部は、
   ベジェ曲線（Ｂｅｚｉｅｒ ｃｕｒｖｅ）方法を用いてベジェ曲線の制御点（ｃｏｎｔｒｏｌ ｐｏｉｎｔ）を移動させて前記候補航跡を生成するように構成される、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。
6. 前記時系列予測航跡データ生成部は、
   推定区間の開始点と終着点とを連結するにあたり、長短期メモリ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ）方式の再帰型神経網モデルを用いて、前記船舶の予想進路である前記航跡予測データを生成する、請求項１に記載の機械学習を用いた船舶の損失航跡データ推定システム。