KR101951142B1 - System for estimating loss data of a ship using machine learning - Google Patents

System for estimating loss data of a ship using machine learning Download PDF

Info

Publication number
KR101951142B1
KR101951142B1 KR1020180043261A KR20180043261A KR101951142B1 KR 101951142 B1 KR101951142 B1 KR 101951142B1 KR 1020180043261 A KR1020180043261 A KR 1020180043261A KR 20180043261 A KR20180043261 A KR 20180043261A KR 101951142 B1 KR101951142 B1 KR 101951142B1
Authority
KR
South Korea
Prior art keywords
ship
data
ais
track
navigation
Prior art date
Application number
KR1020180043261A
Other languages
Korean (ko)
Inventor
오재용
김혜진
박세길
Original Assignee
한국해양과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to KR1020180043261A priority Critical patent/KR101951142B1/en
Application granted granted Critical
Publication of KR101951142B1 publication Critical patent/KR101951142B1/en
Priority to JP2019075253A priority patent/JP6633795B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B49/00—Arrangements of nautical instruments or navigational aids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

The present invention relates to a system for estimating lost track data of a ship using machine learning, which learns conventional track data by using a machine learning method and interpolates track data and estimates data on a lost track section by using the learned conventional track data. The system includes: an AIS track database recording track data of a corresponding ship received through an AIS, and including the specifications for the ship; a ship type classifying unit classifying the type of ship according to the length, width, and draft of the ship from the specifications of the ship included in the AIS track database; a ship movement characteristic learning unit learning the movement characteristics of the ship according to the track data stored in the AIS track database and the type of ship classified by the ship type classifying unit; an input unit receiving information on an estimation target section from the operator; and a ship track data estimating unit generating a set of track candidates for the estimated target section when the estimation target section of the ship is selected, generating time-series predicted track data, comparing the set of track candidates with the time-series predicted track data, calculating an error, and determining an optimal track. The lost or required track data can be reconstructed, and a track, in which the actual movement characteristics of the ship are reflected, can be estimated.

Description

기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템{SYSTEM FOR ESTIMATING LOSS DATA OF A SHIP USING MACHINE LEARNING}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a system and method for estimating lost-

본 발명은 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템에 관한 것으로서, 더욱 상세하게는 기계학습 방법을 이용하여 기존의 항적 데이터를 학습하고, 이를 이용하여 항적 데이터를 보간하고 손실된 항적 구간의 데이터를 추정하는 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템에 관한 것이다. The present invention relates to a system for estimating a lost-or-lost data of a ship using machine learning, and more particularly, to a method for estimating a lost-or-lost data of a ship by learning machine data, To a system for estimating lost-marine data of a ship using machine learning.

우리나라의 선박설비기준 제108조의 5 (국토해양부 고시 제2013-179호)에 따르면 연해구역 이상을 항해하는 총톤수 50톤 이상의 부선을 제외한 모든 선박은 선박자동식별장치(automatic identification system, 이하 AIS라 칭함)를 의무적으로 탑재해야 한다. According to Article 108-5 of the Korea Shipbuilding Standards (Ministry of Land, Transport and Maritime Affairs notification No. 2013-179), all ships except for the barge with a gross tonnage of 50 tons or more sailing in the coastal zone are subject to automatic identification system ) Should be mandatory.

AIS를 통해 수신된 항적 데이터는 선박교통관제시스템(VTS)의 선박 모니터링과 해양사고 분석에 활용되기도 한다. 주요 항만은 해상 교통량의 폭주, 위험화물의 증가와 잠재적인 환경오염의 위험 등에서 항만의 안전 또는 항만운영 효율성을 제고하기 위해 선박교통관제 서비스(VTS, vessel traffic service)를 제공하고 있다. The navigation data received through AIS is also used for vessel monitoring and marine accident analysis of VTS. Major ports provide vessel traffic services (VTS) to improve port safety or port operation efficiency, such as the surge of marine traffic volume, the increase of dangerous cargoes and the risk of potential environmental pollution.

이러한 AIS 시스템은 GPS 데이터를 기반으로 운영되며, GPS(Global Positioning System)가 가지는 전파적인 특성 때문에 음영 구역이 발생하기도 하고, 해상 교통이 폭주되는 상황에서는 AIS 시스템의 통신 허용 용량을 초과하여 기지국에서 AIS 데이터를 수신하지 못하는 경우가 발생하기도 한다. This AIS system operates on the basis of GPS data, and because of the propagation characteristics of Global Positioning System (GPS), shadow areas may occur. In a situation where maritime traffic is congested, the AIS system may exceed the communication capacity, In some cases, data may not be received.

또한, 해상 사고 등의 이유로 선내에 설치된 GPS 혹은 AIS 장비가 정상 동작 하지 않는 경우에도 항적 데이터의 수신이 불가하며, 최종적으로 항적 데이터의 손실 구간이 발생하게 된다는 문제점이 있다. Also, even if the GPS or AIS equipment installed in the ship does not operate normally due to maritime accidents or the like, it is impossible to receive the navigation data, and there is a problem that the navigation data is finally lost.

시간에 따른 선박의 위치 및 침로, 속도 정보 등으로 구성된 항적 데이터는 해양사고의 원인 분석하는데 매우 중요하며, 수신된 데이터를 보간(interpolation)하고 손실된 항적 데이터를 추정하는 작업이 반드시 선행되어야 한다. 따라서 항적 데이터의 손실을 추정하는 것은 매우 중요한 작업이다. It is very important to analyze the causes of marine accidents by interpolation of the received data and to estimate the lost data. Therefore, estimating the loss of trace data is a very important task.

대한민국 등록특허 제10-1029048호(발명의 명칭 : 수상함의 기포항적에 대한 음향 및 영상 신호 특성의 상관관계 모델을 이용한 상대 신호의 특성 추정방법)Korean Patent No. 10-1029048 (entitled " Method of Estimating Characteristics of Relative Signal Using Correlation Model of Acoustics and Image Signal Properties for Bubble Traps in a Receiver)

따라서 본 발명은 전술한 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 기계학습 방법을 이용하여 기존의 항적 데이터를 학습하고, 이를 이용하여 항적 데이터를 보간하고 손실된 항적 구간의 데이터를 추정하는 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템을 제공하기 위한 것이다. SUMMARY OF THE INVENTION Accordingly, the present invention has been made keeping in mind the above problems occurring in the prior art, and it is an object of the present invention to provide a method and apparatus for learning existing snapshot data using a machine learning method, interpolate snapshot data using the same, And to provide a system for estimating lost marine data of a ship using estimated machine learning.

또한, 본 발명의 목적은 기존의 항적 데이터를 반영하여 실제 선박의 운동 특성이 반영된 항적을 추정할 수 있기 때문에 실제 선박의 운동 특성이 반영된 항적을 추정할 수 있는 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템을 제공하기 위한 것이다. It is another object of the present invention to provide a method and system for estimating a wake of a ship using mechanical learning that can estimate the wake of the actual wake of a ship, Estimation system.

상술한 목적을 달성하기 위한 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템은, To achieve the above object, there is provided a system for estimating a lost-

AIS를 통해 수신된 해당 선박의 항적데이터를 기록하고 상기 선박에 대한 제원을 포함하는 AIS항적 데이터베이스; An AIS navigation database that records the navigation data of the corresponding vessel received via the AIS and includes specifications for the vessel;

상기 AIS항적 데이터베이스에 포함된 선박의 제원으로부터 상기 선박의 길이, 폭 및 흘수에 따라 선박의 종류를 구분하는 선박종류분류부; A ship type classifying unit for classifying the type of ship according to the length, width, and draft of the ship from the specifications of the ship included in the AIS navigation database;

상기 AIS항적 데이터베이스에 저장된 항적데이터와 상기 선박종류분류부에 의해 분류된 상기 선박의 종류에 따라 선박의 운동특성을 학습하는 선박운동특성학습부; A ship movement characteristic learning unit for learning the movement characteristics of the ship according to the navigation data stored in the AIS navigation database and the type of the ship classified by the navigation type classification unit;

운용자로부터 추정대상구간에 대한 정보를 입력받는 입력부; 및An input unit for receiving information on an estimation target section from an operator; And

상기 선박의 해당 추정대상구간이 선택되면 상기 추정대상구간에 대한 항적후보 집합을 생성하고 시계열예측항적데이터를 생성하여 상기 항적후보 집합과 상기 시계열예측항적데이터 간을 비교하여 오차를 계산하여 최적항적을 결정하는 선박항적데이터추정부;를 포함하여 구성된다.If the corresponding estimation target section of the ship is selected, generates a series of trajectory candidates for the estimated section and generates time series predictive trajectory data, compares the trajectory candidate set with the time series predictive trajectory data, calculates an error, And a ship navigation data estimating unit.

AIS항적 데이터베이스는, 해당 선박의 선박명, 선박 종류, 선박의 제원, AIS데이터 수신 시간, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보를 포함하도록 구성될 수 있다. The AIS navigation database is configured to include vessel name, vessel type, ship's specification, AIS data reception time, ship's position information according to time, vessel speed information according to time, .

상기 선박종류분류부는, 선박의 제원에 포함되는 선박의 길이, 폭 및 흘수에 따라 선박을 분류하고 클러스터링 알고리즘을 이용하여 분류하도록 구성될 수 있다. The ship type classification unit may be configured to classify the ships according to the length, width, and draft of the ship included in the specification of the ship and classify the ships using a clustering algorithm.

선박운동특성학습부는, 선박의 운동특성을 학습하기 위하여 상기 AIS항적 데이터베이스로부터 항적데이터 시퀀스, 항적데이터의 변화량을 입력으로 받아 향후 항적 데이터 및 항적데이터의 시퀀스를 출력하도록 구성될 수 있다. The ship motion characteristic learning unit may be configured to receive the sequence of the snapshot data and the change of the snapshot data from the AIS snapshot database to learn the movement characteristics of the ship and to output the sequence of the snapshot data and the snapshot data.

선박항적데이터추정부는,The ship trace data estimating unit,

입력부를 통해 입력된 추정구간에 대하여 상기 선박의 선박운동특성학습부의 특성을 만족시키는 시작점과 종착점을 연결한 선들의 집합인 후보항적 집합을 생성하는 후보집합생성부; A candidate set generation unit for generating a candidate set of trains, which is a set of lines connecting a starting point and a trailing point, which satisfy the characteristics of the ship motion characteristic learning unit of the ship, with respect to the estimated interval input through the input unit;

시간에 따라 순차적으로 입력되는 이전의 항적데이터를 학습하여 상기 추정구간에 대하여 항적예측데이터를 생성하는 시계열예측항적데이터생성부; A time series predictive log data generation unit that learns previous log data sequentially input in time and generates log predictive data for the estimated interval;

상기 후보집합생성부에 의해 생성된 후보항적 집합과 상기 시계열예측항적데이터생성부에 의해 생성된 항적예측데이터의 오차값들을 각각 계산하는 추정오차계산부; 및An estimated error calculator for calculating error values of the predictive motion vector set generated by the candidate set generator and the motion vector predictive data generated by the time series predictive motion vector generator; And

상기 각각의 오차값들을 비교하여 최소오차를 가지는 후보항적 집합 중 후보항적을 선택하여 최적항적으로 결정하는 최적항적결정부;를 포함하여 구성될 수 있다. And an optimal log determiner for comparing the error values with each other to select a candidate warrior among the candidate warrior sets having the minimum error to determine the optimal warrior.

상기 후보집합생성부는, 베지어 곡선(Bezier curve) 방법을 이용하여 베지어 곡선의 제어점(control point)를 이동시켜 상기 후보항적들을 생성하도록 구성될 수 있다. The candidate set generator may be configured to generate the candidate wakes by moving a control point of the Bezier curve using a Bezier curve method.

상기 시계열예측항적데이터생성부는, 추정구간의 시작점과 종착점을 연결함에 있어 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망 모델을 이용하여 상기 선박의 예상 진로인 상기 항적예측데이터를 생성하도록 구성될 수 있다. The time series predictive log data generation unit may generate the log predictive data, which is an expected course of the ship, by using a circular neural network model of a long-short term memory (LSTM) scheme in connecting the start point and the end point of the estimation section Lt; / RTI >

따라서 본 발명의 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템은, 기계학습 방법을 이용하여 기존의 항적 데이터를 학습하고, 이를 이용하여 항적 데이터를 보간하고 손실된 항적 구간의 데이터를 추정하여 손실된 항적데이터 또는 필요로 하는 항적데이터를 복원할 수 있는 효과가 있다. Therefore, the system of estimating the lost-line data of the ship using the machine learning of the present invention learns the existing data by using the machine learning method, interpolates the data by using the data, estimates the data of the lost- It is possible to restore the navigation data or the required navigation data.

또한, 본 발명의 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템은, 기존의 항적 데이터를 반영하여 실제 선박의 운동 특성이 반영된 항적을 추정할 수 있기 때문에 실제 선박의 운동 특성이 반영된 항적을 추정할 수 있는 효과가 있다. In addition, since the system of estimating the lost-or-lost data of a ship using the machine learning of the present invention can estimate the trajectory reflecting the motion characteristics of the actual vessel reflecting the existing trace data, it can estimate the trajectory reflecting the motion characteristics of the actual vessel There is an effect that can be.

도 1은 본 발명의 일 실시예에 따른 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템의 구성을 나타낸 블록 구성도.
도 2는 본 발명의 일 실시예에 따른 도 1의 선박운동특성학습부가 기계학습하는 과정의 일 예를 나타낸 도면.
도 3은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부의 구성을 나타낸 블록 구성도.
도 4는 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 추정대상구간의 항적후보 집합을 생성하는 예를 나타낸 도면.
도 5는 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 제어점을 이동하여 후보항적들을 생성하는 예를 나타낸 도면.
도 6은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 장단기 메모리 방식의 순환 신경망을 이용하여 항적예측데이터를 생성하는 것은 나타낸 도면.
도 7은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 거리 오차를 측정하는 예를 나타낸 도면. FIG. 1 is a block diagram showing a configuration of a system for estimating lost marine data of a ship using machine learning according to an embodiment of the present invention. FIG.
FIG. 2 is a diagram illustrating an example of a process of learning a ship motion characteristic learning unit of FIG. 1 according to an embodiment of the present invention.
3 is a block diagram showing the configuration of the ship navigation data estimating unit of FIG. 1 according to an embodiment of the present invention;
4 is a diagram illustrating an example in which the ship tracking data estimating unit of FIG. 1 according to an embodiment of the present invention generates a trajectory candidate set of an estimated object interval.
5 is a diagram illustrating an example in which the ship's navigation data estimator of FIG. 1 according to an embodiment of the present invention moves a control point to generate candidate wakes.
FIG. 6 is a diagram illustrating generation of the navigation predictive data using the circulating neural network of the ship tracking data estimating unit of FIG. 1 according to an embodiment of the present invention; FIG.
FIG. 7 is a diagram illustrating an example in which the ship tracking data estimating unit of FIG. 1 according to an embodiment of the present invention measures a distance error; FIG.

이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다. Hereinafter, the present invention will be described in more detail with reference to the accompanying drawings showing embodiments of the present invention.

도 1은 본 발명의 일 실시예에 따른 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템의 구성을 나타낸 블록 구성도이다. FIG. 1 is a block diagram illustrating a system for estimating lost-marine data of a ship using machine learning according to an embodiment of the present invention. Referring to FIG.

도 1을 참조하면, 본 발명의 선박의 손실 항적 데이터 추정 시스템은 AIS항적 데이터베이스(100), 선박종류분류부(200), 선박운동특성학습부(300), 입력부(400) 및 선박항적데이터추정부(500)를 포함하여 구성된다. Referring to FIG. 1, the system for estimating the lost-line data of a ship according to the present invention includes an AIS navigation database 100, a ship type classification unit 200, a ship movement characteristic learning unit 300, an input unit 400, (500).

AIS항적 데이터베이스(100)는 AIS를 통해 수신된 해당 선박의 항적데이터를 기록하고 상기 선박에 대한 제원을 포함한다. 다음의 표 1은 AIS항적 데이터베이스(100)에 저장된 내용의 일 예를 나타낸 표이다. The AIS navigation database 100 records the navigation data of the corresponding vessel received via the AIS and includes specifications for the vessel. Table 1 below is a table showing an example of the contents stored in the AIS navigation database 100.

Figure 112018036976486-pat00001
Figure 112018036976486-pat00001

상기 표 1을 참조하면, AIS항적 데이터베이스(100)는 해당 선박의 선박명, 선박 종류, 선박의 제원(길이, 폭 및 흘수), AIS데이터 수신 시간, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보를 포함하여 구성될 수 있다. 표 1에는 앞서 언급된 정보에 대해서만 설명하고 있지만, 주지하는 바와 같이 선박의 이력과 같이 다른 정보가 포함되거나 추가될 수 있다. Referring to Table 1, the AIS navigation database 100 includes a name of the vessel, a type of vessel, a specification (length, width, and draft) of the vessel, AIS data reception time, position information of the vessel according to time, The speed information of the ship, and the ship's course information according to time. Table 1 describes only the information mentioned above, but other information may be included or added, such as the ship's history, as is well known.

선박종류분류부(200)는 AIS항적 데이터베이스(100)에 포함된 선박의 제원으로부터 상기 선박의 길이, 폭 및 흘수에 따라 선박의 종류를 구분한다. 이는 선박의 형태에 따라 그 운동 특성이 다르기 때문에 이를 분류하여 학습 모델을 생성하는 것이다. 즉, 선박을 분류하는 기준으로 선박의 길이, 폭, 흘수를 사용하며, 학습 데이터에 포함된 모든 선박 제원 정보를 K-평균알고리즘(k-means)과 같은 클러스터링 알고리즘을 이용하여 자동으로 분류하도록 구성하였다. 분류된 선박 종류에 따라 학습 모델을 구성하고 학습을 수행한다. The ship classification unit 200 classifies the type of ship according to the length, width, and draft of the ship from the specifications of the ship included in the AIS navigation database 100. This is because the movement characteristics are different according to the shape of the vessel, and thus, the learning model is generated by classifying the same. In other words, the length, width, and draft of the ship are used as the criteria for classifying the ship, and all ship information included in the learning data is automatically classified using the clustering algorithm such as K-means algorithm Respectively. The learning model is constructed according to the classified ship types and the learning is performed.

선박운동특성학습부(300)는 AIS항적 데이터베이스(100)에 저장된 항적데이터와 상기 선박종류분류부(200)에 의해 분류된 상기 선박의 종류에 따라 선박의 운동특성을 학습한다. 예컨대, 입력부(400)를 통해 입력된 추정대상구간 이전의 항적데이터를 AIS항적 데이터베이스(100)로부터 수신받고 선박의 제원, 예컨대 선박의 길이, 폭, 흘수 정보를 수신받아 선박의 운동특성을 LSTM을 이용하여 학습한다. 선박운동특성학습부(300)는 선박의 운동특성을 학습하기 위하여 상기 AIS항적 데이터베이스(100)로부터 항적데이터 시퀀스, 항적데이터의 변화량을 입력으로 받아 향후 항적 데이터 및 항적데이터의 시퀀스를 출력하며 출력된 향후 항적데이터 및 항적데이터의 시퀀스는 선박항적데이터추적부(500)에 의해 항적을 추적하기 위한 정보로 활용된다.The ship motion characteristic learning unit 300 learns the movement characteristics of the ship according to the snapshot data stored in the AIS snapshot database 100 and the type of the ship classified by the snapshot classification unit 200. [ For example, the navigation data before the estimation target section inputted through the input unit 400 is received from the AIS navigation database 100 and the information of the ship, such as the length, width, and draft information of the ship, . The ship movement characteristic learning unit 300 receives a change amount of the snapshot data sequence and the snapshot data from the AIS snapshot database 100 to learn the movement characteristics of the ship and outputs a sequence of snapshot data and snapshot data, The sequence of the navigation data and the navigation data is utilized as information for tracking the navigation by the navigation data tracking unit 500.

도 2는 본 발명의 일 실시예에 따른 도 1의 선박운동특성학습부가 기계학습하는 과정의 일 예를 나타낸 도면이다. FIG. 2 is a diagram illustrating an example of a machine learning process of the ship motion characteristic learning unit of FIG. 1 according to an embodiment of the present invention.

입력부(400)는 운용자로부터 추정대상구간 정보를 입력받는다. 도 2에서와 같이 추정구간대상 정보는 시작점이 t-3이면 종착점은 t-1이 될 수 있다. The input unit 400 receives estimation target section information from the operator. As shown in FIG. 2, if the start point is t-3, the end point can be t-1.

선박항적데이터추적부(500)는 선박의 해당 추정대상구간이 입력부(400)를 통해 선택되면 상기 추정대상구간에 대한 항적후보 집합을 생성하고 시계열예측항적데이터를 생성하여 상기 항적후보 집합과 상기 시계열예측항적데이터 간을 비교하여 오차를 계산하여 최적항적을 결정한다. 선박항적데이터추적부에 대한 보다 상세한 설명은 후술하는 도 3을 참조하여 설명하기로 한다. The vessel tracking data tracking unit 500 generates a trajectory candidate set for the estimation target section and generates time series predictive navigation data when the corresponding estimation target section of the vessel is selected through the input unit 400 to generate the trajectory candidate set and the time series prediction The optimal trajectory is determined by comparing errors between trajectory data. A more detailed description of the ship tracking data tracking unit will be described with reference to FIG. 3 to be described later.

도 3은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부의 구성을 나타낸 블록 구성도이다. 3 is a block diagram showing the configuration of the ship navigation data estimating unit of FIG. 1 according to an embodiment of the present invention.

도 3을 참조하면, 선박항적데이터추정부(500)는 후보집합생성부(510), 시계열예측항적데이터생성부(520), 추정오차계산부(530) 및 최적항적결정부(540)을 포함하여 구성된다. 3, the ship navigation data estimation unit 500 includes a candidate set generation unit 510, a time series predictive navigation data generation unit 520, an estimation error calculation unit 530, and an optimal navigation decision unit 540 .

먼저, 후보집합생성부(510)는 입력부(400)를 통해 입력된 추정구간에 대하여 상기 선박의 선박운동특성학습부의 특성을 만족시키는 시작점(t-3)과 종착점(t-1)을 연결한 선들의 집합인 후보항적들을 생성한다.First, the candidate set generation unit 510 connects the starting point (t-3) and the final point (t-1) satisfying the characteristics of the ship motion characteristic learning unit of the ship with respect to the estimation period inputted through the input unit 400 Generate candidate wastes as a set of lines.

도 4는 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 추정대상구간의 항적후보 집합을 생성하는 예를 나타낸 도면이다. FIG. 4 is a diagram illustrating an example of generating a navigation candidate set of an estimation subject interval of the ship navigation data estimator shown in FIG. 1 according to an embodiment of the present invention.

도 4를 참조하면, 시작점(t-3)에서 종착점(t-1)까지 3개의 항적후보 집합이 생성되어 있다. 도면에서는 3개의 항적후보만을 개시하고 있지만, 더 많은 수의 항적후보가 집합 형태로 생성될 수 있다. Referring to FIG. 4, three trajectory candidate sets are generated from a starting point t-3 to a trailing point t-1. Although only three trajectory candidates are shown in the drawing, a larger number of trajectory candidates can be generated in a set form.

도 5는 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 제어점을 이동하여 후보항적들을 생성하는 예를 나타낸 도면이다.5 is a diagram illustrating an example in which the ship's navigation data estimator of FIG. 1 according to an embodiment of the present invention moves a control point to generate candidate alerts.

도 5를 참조하면, 후보집합생성부(510)는 추정구간의 시작점(t-3)과 종착점(t-1)점을 연결함에 있어 베지어 곡선(Bezier curve) 방법을 이용하여 베지어 곡선의 제어점(control point)를 이동시켜 상기 후보항적들을 생성하도록 구성될 수 있다. 5, the candidate set generation unit 510 generates a candidate set by using a Bezier curve method in connecting the starting point (t-3) and the final point (t-1) And to move the control point to generate the candidate wig.

시계열예측항적데이터생성부(520)는 시간에 따라 순차적으로 입력되는 이전의 항적데이터를 학습하여 상기 추정구간에 대하여 항적예측데이터를 생성한다. The time series predictive log data generator 520 learns the previous log data sequentially input according to time and generates log predictive data for the estimated interval.

상기 시계열예측항적데이터생성부(520)는 추정구간의 시작점(t-3)과 종착점(t-1)을 연결함에 있어 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망 모델을 이용하여 상기 선박의 예상 진로인 상기 항적예측데이터를 생성하도록 구성된다. The time series predictive log data generation unit 520 uses a circular neural network model of a long-short term memory (LSTM) scheme to connect the start point t-3 and the end point t-1 of the estimation period And generate the war predicted data which is an expected course of the ship.

도 6은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 장단기 메모리 방식의 순환 신경망을 이용하여 항적예측데이터를 생성하는 것은 나타낸 도면이다.FIG. 6 is a diagram illustrating the generation of the navigation predictive data using the circulation neural network of the ship navigation data estimator of FIG. 1 according to an embodiment of the present invention.

도 6을 참조하면, 선박운동특성학습부(300)에 의해 학습된 항적데이터의 시퀀스를 이용하여 항적예측데이터를 생성한다. 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망 모델을 이용하여 상기 선박의 예상 진로인 상기 항적예측데이터를 생성할 수 있다. 즉, 항적예측데이터는 선박운동특성학습부(300)에 의해 학습된 선박의 운동특성을 적용시켜 생성된다. Referring to FIG. 6, the navigation data generating unit 300 generates the navigation predictive data using the sequence of the navigation data. It is possible to generate the warp prediction data which is an expected course of the ship by using a circular neural network model of a long-short term memory (LSTM) scheme. That is, the wake prediction data is generated by applying the motion characteristics of the ship learned by the wake motion characteristic learning unit 300.

추정오차계산부(530)는 후보집합생성부(510)에 의해 생성된 후보항적 집합과 시계열예측항적데이터생성부(520)에 의해 생성된 항적예측데이터의 오차값들을 각각 계산한다. The estimation error calculator 530 calculates error values of the predictive navigation data generated by the candidate set generator 510 and the predictive data generated by the predictive time series data generator 520, respectively.

상기 각각의 오차값들을 비교하여 최소오차를 가지는 후보항적을 선택하여 최적항적으로 결정하는 최적항적결정부;를 포함하여 구성될 수 있다.And an optimal log determiner for comparing each of the error values to select a candidate log having a minimum error and determining the optimal log as an optimal logarithm.

도 7은 본 발명의 일 실시예에 따른 도 1의 선박항적데이터추정부가 거리 오차를 측정하는 예를 나타낸 도면이다. FIG. 7 is a diagram illustrating an example in which the ship tracking data estimating unit of FIG. 1 according to an embodiment of the present invention measures a distance error.

도 7을 참조하면, 추정오차계산부(530)는 항적후보 집합의 예측 곡선들과 항적예측데이터를 감산하면, 최적항적결정부(540)는 오차값이 가장 작은 값을 갖는 항적후보 집합의 해당 예측 곡선을 최적항로로 결정한다. Referring to FIG. 7, when the estimation error calculator 530 subtracts the predictive curves of the trajectory candidate set and the trajectory prediction data, the optimum trajectory determiner 540 determines whether or not the correspondence of the trajectory candidate set having the smallest error value The prediction curve is determined as the optimal route.

상기 본 발명의 내용은 도면에 도식된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. will be. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

100 : AIS항적 데이터베이스 200 : 선박종류분류부
300 : 선박운동특성학습부 400 : 입력부
500 : 선박항적데이터추정부 510 : 후보집합생성부
520 : 시계열예측항적데이터생성부
530 : 추정오차계산부 540 : 최적항적결정부100: AIS navigation database 200: Ship type classification section
300: Ship motion characteristic learning unit 400: Input unit
500 Ship tracking data estimation unit 510: Candidate set generation unit
520: Time series predictive log data generation unit
530: estimation error calculation unit 540: optimal tracking determination unit

Claims (7)

AIS를 통해 수신된 해당 선박의 항적데이터를 기록하고 상기 선박에 대한 제원을 포함하는 AIS항적 데이터베이스;
상기 AIS항적 데이터베이스에 포함된 선박의 제원으로부터 상기 선박의 길이, 폭 및 흘수에 따라 선박의 종류를 구분하는 선박종류분류부;
상기 AIS항적 데이터베이스에 저장된 항적데이터와 상기 선박종류분류부에 의해 분류된 상기 선박의 종류에 따라 선박의 운동특성을 학습하는 선박운동특성학습부;
운용자로부터 추정대상구간에 대한 정보를 입력받는 입력부; 및
상기 선박의 해당 추정대상구간이 선택되면 상기 추정대상구간에 대한 항적후보 집합을 생성하고 시계열예측항적데이터를 생성하여 상기 항적후보 집합과 상기 시계열예측항적데이터 간을 비교하여 오차를 계산하여 최적항적을 결정하는 선박항적데이터추정부;를 포함하고,
상기 선박항적데이터추정부는,
입력부를 통해 입력된 추정구간에 대하여 상기 선박의 선박운동특성학습부의 특성을 만족시키는 시작점과 종착점을 연결한 선들의 집합인 후보항적 집합을 생성하는 후보집합생성부;
시간에 따라 순차적으로 입력되는 이전의 항적데이터를 학습하여 상기 추정구간에 대하여 항적예측데이터를 생성하는 시계열예측항적데이터생성부;
상기 후보집합생성부에 의해 생성된 후보항적 집합과 상기 시계열예측항적데이터생성부에 의해 생성된 항적예측데이터의 오차값들을 각각 계산하는 추정오차계산부; 및
상기 각각의 오차값들을 비교하여 최소오차를 가지는 후보항적 집합 중 후보항적을 선택하여 최적항적으로 결정하는 최적항적결정부;를 포함하여 구성되는 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.An AIS navigation database that records the navigation data of the corresponding vessel received via the AIS and includes specifications for the vessel;
A ship type classifying unit for classifying the type of ship according to the length, width, and draft of the ship from the specifications of the ship included in the AIS navigation database;
A ship movement characteristic learning unit for learning the movement characteristics of the ship according to the navigation data stored in the AIS navigation database and the type of the ship classified by the navigation type classification unit;
An input unit for receiving information on an estimation target section from an operator; And
If the corresponding estimation target section of the ship is selected, generates a series of trajectory candidates for the estimated section and generates time series predictive trajectory data, compares the trajectory candidate set with the time series predictive trajectory data, calculates an error, A ship tracking data estimating unit for estimating the ship tracking data,
The ship tracking data estimator may include:
A candidate set generation unit for generating a candidate set of trains which is a set of lines connecting a starting point and a trailing point satisfying the characteristics of the ship motion characteristic learning unit of the ship with respect to the estimated interval input through the input unit;
A time series predictive log data generation unit that learns previous log data sequentially input in time and generates log predictive data for the estimated interval;
An estimated error calculator for calculating error values of the predictive motion vector set generated by the candidate set generator and the motion vector predictive data generated by the time series predictive motion vector generator; And
And an optimal trajectory determiner for determining an optimal trajectory by selecting a candidate trajectory among the candidate trajectories having a minimum error by comparing the respective error values. 제1항에 있어서, AIS항적 데이터베이스는,
해당 선박의 선박명, 선박 종류, 선박의 제원, AIS데이터 수신 시간, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보를 포함하는 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.2. The system of claim 1, wherein the AIS trace database comprises:
Ship loss using machine learning, including vessel name, vessel type, ship's specification, AIS data reception time, ship's position information with time, ship's speed information with time, Trajectory data estimation system. 제1항에 있어서, 상기 선박종류분류부는,
선박의 제원에 포함되는 선박의 길이, 폭 및 흘수에 따라 선박을 분류하고 클러스터링 알고리즘을 이용하여 분류하도록 구성되는 것인 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.The ship classification system according to claim 1,
Wherein the system is configured to classify the vessels according to the length, width and draft of the vessel included in the specification of the vessel and classify the vessels using a clustering algorithm. 제1항에 있어서, 선박운동특성학습부는,
선박의 운동특성을 학습하기 위하여 상기 AIS항적 데이터베이스로부터 항적데이터 시퀀스, 항적데이터의 변화량을 입력으로 받아 향후 항적 데이터 및 항적데이터의 시퀀스를 출력하도록 구성되는 것인 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.The navigation system according to claim 1,
Wherein the system is configured to receive from the AIS navigation database a variation of the navigation data sequence and the navigation data from the AIS navigation database to learn the movement characteristics of the ship and to output a sequence of future navigation data and navigation data. system. 삭제delete 제1항에 있어서, 상기 후보집합생성부는,
베지어 곡선(Bezier curve) 방법을 이용하여 베지어 곡선의 제어점(control point)를 이동시켜 상기 후보항적들을 생성하도록 구성되는 것인 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.2. The apparatus of claim 1,
Wherein the system is configured to generate the candidate wakes by moving a control point of the Bezier curve using a Bezier curve method. 제1항에 있어서, 상기 시계열예측항적데이터생성부는,
추정구간의 시작점과 종착점을 연결함에 있어 장단기 메모리(LSTM: Long-Short term Memory) 방식의 순환 신경망 모델을 이용하여 상기 선박의 예상 진로인 상기 항적예측데이터를 생성하는 것인 기계학습을 이용한 선박의 손실 항적 데이터 추정 시스템.The method of claim 1, wherein the time series predictive log data generation unit comprises:
Wherein the predicted course of the ship is generated by using a circular neural network model of a long-short term memory (LSTM) system in connecting the starting point and the ending point of the estimation section, Loss tracking data estimation system.
KR1020180043261A 2018-04-13 2018-04-13 System for estimating loss data of a ship using machine learning KR101951142B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180043261A KR101951142B1 (en) 2018-04-13 2018-04-13 System for estimating loss data of a ship using machine learning
JP2019075253A JP6633795B2 (en) 2018-04-13 2019-04-11 Ship Loss Track Data Estimation System Using Machine Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180043261A KR101951142B1 (en) 2018-04-13 2018-04-13 System for estimating loss data of a ship using machine learning

Publications (1)

Publication Number Publication Date
KR101951142B1 true KR101951142B1 (en) 2019-02-21

Family

ID=65585186

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180043261A KR101951142B1 (en) 2018-04-13 2018-04-13 System for estimating loss data of a ship using machine learning

Country Status (2)

Country Link
JP (1) JP6633795B2 (en)
KR (1) KR101951142B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563072A (en) * 2020-04-15 2020-08-21 交通运输部水运科学研究所 AIS information-based ship real-time accurate position acquisition method
CN112132346A (en) * 2020-09-24 2020-12-25 中国科学院空天信息创新研究院 Ship navigation track prediction method based on ship type
KR102216141B1 (en) * 2019-11-29 2021-02-16 국방과학연구소 Method and apparatus for determining on/off mode of base station in a multiple base station massive mimo system
KR20220089866A (en) * 2020-12-22 2022-06-29 충북대학교 산학협력단 Method And Apparatus for Visualizing Shadow Zone of AIS Signal

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114222866A (en) 2019-10-09 2022-03-22 株式会社Ihi Drainage structure and supercharger
KR102182037B1 (en) * 2020-04-02 2020-11-23 한국해양과학기술원 Apparatus and method for creating a ship's moving route network
CN111272171B (en) * 2020-04-07 2023-05-30 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） Ship track prediction method and device
CN111583722B (en) * 2020-04-23 2022-09-06 大连理工大学 Ship navigation characteristic and preference analysis method based on AIS data
CN111637895B (en) * 2020-05-11 2021-10-01 北京控制工程研究所 Navigation observation target selection method based on Q learning
CN113887590B (en) * 2021-09-22 2023-06-09 中国电子科技集团公司第二十九研究所 Target typical track and area analysis method
CN114152257A (en) * 2021-10-21 2022-03-08 南京航空航天大学 Ship prediction navigation method based on attention mechanism and environment perception LSTM
CN115346399B (en) * 2022-07-23 2024-01-19 交通运输部规划研究院 Bridge ship collision prevention early warning system based on phased array radar, AIS and LSTM network
CN116343533B (en) * 2023-05-26 2023-08-01 广州海洋地质调查局三亚南海地质研究所 Marine survey ship monitoring and early warning method, system, equipment and medium
CN116894527B (en) * 2023-09-11 2023-11-24 中国船舶集团有限公司第七一九研究所 Equipment storage system for predicting ship running state

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101029048B1 (en) 2009-02-20 2011-04-18 국방과학연구소 Method for estimating characteristic of the other signal using a correlation model in acoustic and video signal characteristic to air bubble wake of a ship
KR20120047656A (en) * 2010-11-04 2012-05-14 목포대학교산학협력단 Vessle's data management system
KR20140108068A (en) * 2013-02-28 2014-09-05 (주)지엠티 Intelligent Safety Navigation Support System and It's Method Through the Analysis of Real-Time Location Information
KR101647743B1 (en) * 2015-07-07 2016-08-11 한국해양과학기술원 Navigation system of ships for avoiding collision using time series graphic interface
JP6154540B2 (en) * 2014-02-25 2017-06-28 古野電気株式会社 Ship characteristic estimation device
KR20180010633A (en) * 2016-07-22 2018-01-31 목포해양대학교 산학협력단 Method And Apparatus for Monitoring Marine Traffic

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6178663B2 (en) * 2013-08-12 2017-08-09 株式会社日立ソリューションズ Data complementing device, data complementing method, and data complementing program
JP6276597B2 (en) * 2014-01-16 2018-02-07 株式会社日立ソリューションズ Classification apparatus and classification method
JP6690382B2 (en) * 2016-04-22 2020-04-28 富士通株式会社 Track data display program, track data display method, and track data display device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101029048B1 (en) 2009-02-20 2011-04-18 국방과학연구소 Method for estimating characteristic of the other signal using a correlation model in acoustic and video signal characteristic to air bubble wake of a ship
KR20120047656A (en) * 2010-11-04 2012-05-14 목포대학교산학협력단 Vessle's data management system
KR20140108068A (en) * 2013-02-28 2014-09-05 (주)지엠티 Intelligent Safety Navigation Support System and It's Method Through the Analysis of Real-Time Location Information
JP6154540B2 (en) * 2014-02-25 2017-06-28 古野電気株式会社 Ship characteristic estimation device
KR101647743B1 (en) * 2015-07-07 2016-08-11 한국해양과학기술원 Navigation system of ships for avoiding collision using time series graphic interface
KR20180010633A (en) * 2016-07-22 2018-01-31 목포해양대학교 산학협력단 Method And Apparatus for Monitoring Marine Traffic

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102216141B1 (en) * 2019-11-29 2021-02-16 국방과학연구소 Method and apparatus for determining on/off mode of base station in a multiple base station massive mimo system
CN111563072A (en) * 2020-04-15 2020-08-21 交通运输部水运科学研究所 AIS information-based ship real-time accurate position acquisition method
CN112132346A (en) * 2020-09-24 2020-12-25 中国科学院空天信息创新研究院 Ship navigation track prediction method based on ship type
CN112132346B (en) * 2020-09-24 2024-04-19 中国科学院空天信息创新研究院 Ship navigation track prediction method based on ship type
KR20220089866A (en) * 2020-12-22 2022-06-29 충북대학교 산학협력단 Method And Apparatus for Visualizing Shadow Zone of AIS Signal
KR102537889B1 (en) 2020-12-22 2023-05-26 충북대학교 산학협력단 Method And Apparatus for Visualizing Shadow Zone of AIS Signal

Also Published As

Publication number Publication date
JP2019185785A (en) 2019-10-24
JP6633795B2 (en) 2020-01-22

Similar Documents

Publication Publication Date Title
KR101951142B1 (en) System for estimating loss data of a ship using machine learning
CN113553682B (en) Data-driven multi-level ship route network construction method
KR102056777B1 (en) Method And Apparatus for Predicting Vessel Destination by Using Port Data based on Deep Learning Algorithm
Wilthil et al. A target tracking system for ASV collision avoidance based on the PDAF
CN112132346A (en) Ship navigation track prediction method based on ship type
CN113156947B (en) Method for planning path of ship in dynamic environment
CN115131393A (en) Trajectory prediction method, collision detection method, apparatus, electronic device, and medium
Shu et al. Vessel speed, course, and path analysis in the Botlek area of the Port of Rotterdam, Netherlands
CN111723632B (en) Ship tracking method and system based on twin network
Xu et al. Trajectory clustering for SVR-based Time of Arrival estimation
Silveira et al. Assessment of ship collision estimation methods using AIS data
Schöller et al. Trajectory prediction for marine vessels using historical ais heatmaps and long short-term memory networks
Vestre et al. AIS-based near-collision database generation and analysis of real collision avoidance manoeuvres
CN113283653A (en) Ship track prediction method based on machine learning and AIS data
KR20200092791A (en) Navigation system of unmanned ship and method for the same
CN117391244A (en) Ship track prediction method integrating multi-source information
Tengesdal et al. Joint stochastic prediction of vessel kinematics and destination based on a maritime traffic graph
CN116911468B (en) Global shipping information monitoring system based on big data
Zhang et al. Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning
KR20220083377A (en) Apparatus and method for creating an optimal navigation route
CN114118604B (en) Method and system for predicting ferry crossing channel behavior based on machine learning
Qin et al. Dynamic risk prewarning in ship encounter process considering domain violation
Rong et al. Collision probability assessment based on uncertainty prediction of ship trajectories
Lin et al. Real-time Multi-Object Tracking using Adaptive Filtering and Filter Banks for Maritime Applications
Thind et al. Probabilistic ship behavior prediction using generic models

Legal Events

Date Code Title Description
GRNT Written decision to grant