KR102056777B1

KR102056777B1 - 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치

Info

Publication number: KR102056777B1
Application number: KR1020180040129A
Authority: KR
Inventors: 이건명; 김광일
Original assignee: 충북대학교 산학협력단
Priority date: 2018-04-06
Filing date: 2018-04-06
Publication date: 2020-01-22
Also published as: KR20190117070A

Abstract

딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치를 개시한다.
본 실시예는 항만으로 입항하는 선박의 목적지를 사전 정보 없이 과거 입항 데이터를 기반으로 예측하여 항만 진입부나 선박 목적지가 불분명한 선박에 대해 목적지를 예측하여 해양 사고를 예방할 수 있으며, 복수의 선박의 목적지 예측정보로 해상교통 시뮬레이션, 해역안전관리 등 해상교통관리에 이용할 수 있도록 하는 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치를 제공한다.

Description

딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치{Method And Apparatus for Predicting Vessel Destination by Using Port Data based on Deep Learning Algorithm}

본 실시예는 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치에 관한 것이다.

이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.

항만에 입출항하는 모든 선박들은 항만입출항 종합관리시스템(PORT-MIS: Port Management Information System)으로 입출항 데이터를 전송한다. 입출항 데이터는 선박의 입출항 시각, 대상 항만시설 코드, 입출항 유무 등 모든 선박의 이동 데이터를 포함한다.

선박의 트래픽 데이터는 선박의 위치, 침로(궤적), 속력, 선박명, 선박종류, 길이, 폭 등 항만 내 항해하는 선박의 데이터를 의미한다. 트래픽 데이터들은 선박 고유의 ID(또는 MMSI 코드)를 식별자로 하여 선박 자동식별장치(AIS: Automatic Identification System)를 이용하여 선박의 데이터를 주변의 선박 또는 기지국으로 전송(Broadcast) 한다.

해상에서 항해하는 선박 입장에서 주변 선박들의 목적지 정보를 이용하면, 선박들이 어느 방향으로 갈지를 예측할 수 있으므로 선박의 충돌 사고 예방을 위한 중요한 정보이다.

선박의 목적지 정보는 선박 교통데이터를 통신할 때 항해사가 수기로 선박 자동식별장치(AIS)에 입력을 하고 있다. 하지만, 선박 자동식별장치(AIS)에 입력되는 목적지 정보는 수기로 입력되기 때문에 갱신되지 않는 경우가 빈번하다. 또한, 항해사가 선박 자동식별장치(AIS)에 입력한 가능한 사항이 선박의 입항 항구명(예컨대, 여수항, 부산항)만 가능하므로 다른 선박 또는 해상교통관제센터에서는 선박교통 데이터를 이용하여 선박 목적지 항구의 항만시설에 대한 정보를 알 수 없다는 문제가 있다.

따라서, 항만시설 내 입출항 시설명과 출/도착 시간이 기록된 선박입출항 데이터를 이용하여 항로상 선박교통 특성 분석하기 위한 별도의 분석 기술을 필요로 한다.

본 실시예는 항만으로 입항하는 선박의 목적지를 사전 정보 없이 과거 입항 데이터를 기반으로 예측하여 항만 진입부나 선박 목적지가 불분명한 선박에 대해 목적지를 예측하여 해양 사고를 예방할 수 있으며, 복수의 선박의 목적지 예측정보로 해상교통 시뮬레이션, 해역안전관리 등 해상교통관리에 이용할 수 있도록 하는 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치를 제공하는 데 목적이 있다.

본 실시예의 일 측면에 의하면, 항만 관리 장치 또는 데이터베이스로부터 선박 트래픽 데이터(Vessel Traffic Data)를 입력받는 데이터 입력부; 상기 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출하고, 기 생성된 선박 목적지 예측모델(Vessel Destination Prediction Model) 상에 상기 항목 정보를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습한 확률값을 근거로 항만시설별로 산출된 목적지 확률을 예측 결과값으로 출력하는 예측모델 적용부; 상기 예측 결과값 중 상위의 기 설정된 개수만을 선별하여 예비 목적지 후보로 선별하는 예비 후보 생성부; 상기 예비 목적지 후보와 선박의 네비게이션 정보를 기반으로 상기 예비 목적지 후보 중 일부 후보지를 제외한 필터링 결과를 출력하는 필터링부; 및 상기 필터링 경과 중 최종 목적지 후보를 결정하여 출력하는 최종 목적지 결정부를 포함하는 것을 특징으로 하는 선박 목적지 예측 장치를 제공한다.

본 실시예의 다른 측면에 의하면, 항만 관리 장치 또는 데이터베이스로부터 선박 트래픽 데이터(Vessel Traffic Data)를 입력받는 과정; 상기 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출하고, 기 생성된 선박 목적지 예측모델(Vessel Destination Prediction Model) 상에 상기 항목 정보를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습한 확률값을 근거로 항만시설별로 산출된 목적지 확률을 예측 결과값으로 출력하는 과정; 상기 예측 결과값 중 상위의 기 설정된 개수만을 선별하여 예비 목적지 후보로 선별하는 과정; 상기 예비 목적지 후보와 선박의 네비게이션 정보를 기반으로 상기 예비 목적지 후보 중 관련성이 낮은 후보지를 제외한 필터링 결과를 출력하는 과정; 및 상기 필터링 경과 중 최종 목적지 후보를 결정하여 출력하는 과정을 포함하는 것을 특징으로 하는 선박 목적지 예측 방법을 제공한다.

이상에서 설명한 바와 같이 본 실시예에 의하면, 항만으로 입항하는 선박의 목적지를 사전 정보 없이 과거 입항 데이터를 기반으로 예측하여 항만 진입부나 선박 목적지가 불분명한 선박에 대해 목적지를 예측하여 해양 사고를 예방할 수 있으며, 복수의 선박의 목적지 예측정보로 해상교통 시뮬레이션, 해역안전관리 등 해상교통관리에 이용할 수 있도록 하는 효과가 있다.

도 1은 본 실시예에 따른 선박 목적지 예측 시스템을 개략적으로 나타낸 블럭 구성도이다.
도 2는 본 실시예에 따른 선박 목적지 예측 장치를 개략적으로 나타낸 블럭 구성도이다.
도 3a,3b는 본 실시예에 따른 데이터 전처리부를 개략적으로 나타낸 블럭 구성도이다.
도 4는 본 실시예에 따른 선박 목적지 예측모델 생성부를 개략적으로 나타낸 블럭 구성도이다.
도 5는 본 실시예에 따른 선박 목적지 예측부를 개략적으로 나타낸 블럭 구성도이다.
도 6은 본 실시예에 따른 데이터 포멧을 나타낸 도면이다.
도 7은 본 실시예에 따른 선박 목적지 예측모델을 개략적으로 나타낸 블럭 구성도이다.
도 8은 본 실시예에 따른 딥 뉴럴 네트워크를 나타낸 도면이다.
도 9는 본 실시예에 따른 선박의 방향을 반영하여 필터링하는 방법을 설명하기 위한 도면이다.

이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 실시예에 따른 선박 목적지 예측 시스템을 개략적으로 나타낸 블럭 구성도이다.

본 실시예에 따른 선박 목적지 예측 시스템은 선박(110), 기지국(120), 항만 관리 장치(130), 선박 목적지 예측 장치(140), 항만시설 입출항 데이터베이스(150)를 포함한다. 선박 목적지 예측 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.

해상에서 선박(110)들이 통항하는 항로(통항로)는 육상의 도로처럼 단일 방향의 입구 또는 출구 형태가 아닌 어떤 방향으로 이동 가능하다. 일반적으로 선박(110)에서 다른 선박의 향후 거동 예측은 선박(110)의 목적지 정보를 기반으로 하여 어떤 방향으로 갈지를 결정한다.

항만 또는 항만 진입 해역에서 항해하고 있는 선박(110)들은 주변 선박에 대한 목적지 또는 입항하는 항만시설에 대한 정보를 알 수가 없다. 일부 선박(110)들의 충돌이 예상되는 선박들 사이에 VHF(Very High Frequency) 통신기를 통한 음성 교신으로 목적지 확인이 가능하나, VHF 교신량이 폭주하거나 상대 선박의 VHF 통신기 응답이 없으면 선박의 목적지를 확인하기 어렵다. 선박(110)의 이동 방향을 결정하기 위해서는 항만 내 선박의 과거 이동 패턴 데이터를 토대로 선박 목적지에 대한 예측을 할 수 있다.

기지국(120)은 주로 해안가에 설치되어 해안의 선박(110)들과 데이터를 통신을 수행한다. 기지국(120)은 선박(110)들로부터 수신한 데이터를 항만 관리 장치(130)로 전송한다.

항만 관리 장치(130)는 해안가에 설치된 기지국(120)으로부터 수신된 데이터를 분석하여 선박(110)들의 충돌 위험, 선박 통행 예측 및 기타 해양 통계를 분석한다. 항만 관리 장치(130)는 해안가에 설치된 기지국(120)으로부터 수신된 데이터를 해상 교통 데이터로서, 선박 궤적 데이터와 항만 정보 관리 데이터로 분류하여 분석한다.

항만 관리 장치(130)는 선박 목적지 예측 장치(140)로부터 수신한 항구에서의 선박 목적지 예측 정보를 이용하여 선박(110)들이 항해하기 위한 미래의 경로를 식별한다. 항만 관리 장치(130)는 항만입출항 종합관리시스템(PORT-MIS) 또는 선박 자동식별장치(AIS)를 포함한다.

항만 관리 장치(130)는 기지국(120)으로부터 수신한 정보를 기반으로 항만을 운영한다. 항만 관리 장치(130)에서 수집한 항만시설 /화물 작업 및 관련 작업에 대한 데이터는 도 6에 도시된 바와 같다.

본 실시예에 따른 선박 목적지 예측 장치(140)는 항만 입출항 데이터와 딥러닝 알고리즘을 이용하여 선박(110)의 목적지 예측이 가능하도록 한다. 선박 목적지 예측 장치(140)는 항만 입출항 데이터와 딥러닝 알고리즘을 이용하여 통항로 선박 교통 특성을 분석한다.

선박 목적지 예측 장치(140)는 항만 입출항 데이터를 딥러닝 알고리즘에 적용하기 위해 입력 속성 데이터, 출력(Label) 속성 데이터로 구분한다. 선박 목적지 예측 장치(140)는 입력 데이터 및 출력 데이터를 어느 한 선박의 입항기록과 입항 시점의 주변 항만시설의 선박 점유율 정보를 이용하여 생성한다.

선박 목적지 예측 장치(140)는 선박의 입출항 데이터로부터 각 선박에 대한 입출항 기록과 해당 시점에서의 항만 내 모든 항만시설의 다른 선박 점유율 정보를 계산한다.

선박 목적지 예측 장치(140)는 입항 선박의 항행구역, 톤수, 깊이, 선박길이, 선박 종류의 선박 정보와 각 선박이 입항했을 시점에서의 주변 항만시설의 선박 점유율 데이터를 포함하는 입력 속성 데이터를 생성한다.

선박 목적지 예측 장치(140)는 해당 선박의 항만시설 선박의 목적지 코드를 포함하는 출력 속성 데이터를 생성한다. 선박 목적지 예측 장치(140)는 목적지인 항만시설 코드 정보로서 해당 항만의 항만시설 수만큼의 단일 핫 벡터(One-Hot Vector)로 변환한 값을 입력한다.

선박 목적지 예측 장치(140)에서 생성한 예측 분류 모델은 딥 뉴럴 네트워크 트레이닝을 위해 선박 자동식별장치(AIS)의 데이터와 항만시설 운영 데이터(Pier Operations Data)를 모두 이용한다. 선박 자동식별장치(AIS)의 데이터와 항만시설 운영 데이터는 항만시설 입출항 데이터베이스(150)에서 관리한다.

입력 속성 데이터는 목표 데이터 선박 도착시 모든 항구 항만시설에 진입하는 선박 수를 포함한다. 입력 속성 데이터는 선박 정보로서, 선박 톤수, 선박 깊이, 선박 길이, 선박 유형 및 항행 구역을 포함한다. 입력 속성 데이터는 선박 궤적 데이터로서, 선박 위치, 코스 및 속도를 포함한다. 출력 속성 데이터는 항구 항만시설의 타겟 선박 목적지를 포함한다.

선박 목적지 예측 장치(140)는 구축한 데이터 세트(입력 속성 데이터, 출력 속성 데이터)을 딥러닝 알고리즘에 지도 학습 방법과 학습 파라미터를 입력하여 학습하고, 학습된 선박 목적지 예측모델을 생성한다.

선박 목적지 예측 장치(140)는 생성된 예측모델에 실제 해역에서 입항하는 선박의 정보와 항만시설의 점유정보를 입력하여 해당 선박의 목적지 상위 3개 또는 5개를 확률값으로 제공한다.

항만시설 입출항 데이터베이스(150)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 저장된 데이터를 관리하는 저장 장치를 의미한다. 항만시설 입출항 데이터베이스(150)는 저장된 데이터의 검색(추출), 삭제, 편집, 추가 등을 수행한다. 항만시설 입출항 데이터베이스(150)는 선박 궤적 데이터, 항만 정보 관리 데이터, 선박 트래픽 데이터(Vessel Traffic Data)를 저장한다.

항만시설 입출항 데이터베이스(150)는 수집 항목을 동적 필드, 정적 필드, 항해 필드로 분류할 수 있는 선박 자동식별장치(AIS)의 데이터로부터 선박 궤적 데이터를 수집하여 저장한다.

선박 궤적 데이터 내의 동적 필드에는 선박 위치, 속도, 코스, 진행 방향 및 기타 정보가 포함된다. 동적 필드에는 시간이 지남에 따라 변경될 수 있는 항목이 포함된다. 선박 궤적 데이터 내의 정적 필드에는 선박 이름, 유형, 길이, 너비 및 드래프트 정보와 같은 선박의 정적 특성을 갖는 정보가 저장된다.

선박 궤적 데이터 내의 항해 필드에는 목적지 포트 및 도착 예정 시간과 같은 특정 항해에 대한 데이터가 포함된다.

도 2는 본 실시예에 따른 선박 목적지 예측 장치를 개략적으로 나타낸 블럭 구성도이다.

본 실시예에 따른 선박 목적지 예측 장치(140)는 데이터 전처리부(210), 선박 목적지 예측모델 생성부(220), 선박 목적지 예측부(230)를 포함한다. 선박 목적지 예측 장치(140)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.

선박 목적지 예측 장치(140)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.

도 2에 도시된 선박 목적지 예측 장치(140)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

데이터 전처리부(210)는 데이터 처리를 위한 소프트웨어적인 모듈을 의미한다.

데이터 전처리부(210)는 항만 관리 장치(130) 또는 항만시설 입출항 데이터베이스(150)로부터 수신된 항만 입출항 데이터, 선박 트래픽 데이터를 딥러닝 알고리즘 적용을 위해 입력 속성 데이터, 출력(Label) 속성 데이터로 구분한다. 데이터 전처리부(210)는 입력 데이터 및 출력 데이터를 어느 한 선박의 입항기록과 입항 시점의 주변 항만시설의 선박 점유율 정보를 이용하여 생성한다.

데이터 전처리부(210)는 선박의 입출항 데이터, 선박 트래픽 데이터로부터 각 선박에 대한 입출항 기록과 해당 시점에서의 항만 내 모든 항만시설의 다른 선박 점유율 정보를 추출한다. 데이터 전처리부(210)는 입항 선박의 항행구역, 톤수, 깊이, 선박길이, 선박 종류의 선박 정보와 각 선박이 입항했을 시점에서의 주변 항만시설의 선박 점유율 데이터를 포함하는 입력 속성 데이터를 생성한다. 데이터 전처리부(210)는 해당 선박의 항만시설 (선박의 목적지) 코드를 포함하는 출력 속성 데이터를 생성한다.

다시 말해, 데이터 전처리부(210)는 선박 목적지 예측모델을 생성하기 위해 항만 관리 장치(130) 또는 항만시설 입출항 데이터베이스(150)로부터 수신된 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출한다. 데이터 전처리부(210)는 선박 트래픽 데이터로부터 추출된 항목 정보를 최초 입력 속성 데이터, 최초 출력 속성 데이터로 구분한다.

선박 목적지 예측모델 생성부(220)는 선박 목적지 예측모델을 생성하기 위한 소프트웨어적인 모듈을 의미한다. 선박 목적지 예측모델 생성부(220)는 목적지인 항만시설 코드 정보로서 해당 항만의 항만시설 수만큼의 단일 핫 벡터(One-Hot Vector)로 변환한 값을 입력한다.

선박 목적지 예측모델 생성부(220)는 구축한 데이터 세트(입력 속성 데이터, 출력 속성 데이터)을 딥러닝 알고리즘에 지도 학습 방법과 학습 파라미터를 입력하여 학습하고, 학습된 선박 목적지 예측모델을 생성한다.

다시 말해, 선박 목적지 예측모델 생성부(220)는 최초 입력 속성 데이터, 최초 출력 속성 데이터를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습하여 선박 목적지 예측모델을 생성한다.

선박 목적지 예측부(230)는 선박 목적지 예측모델 생성부(220)에서 생성한 선박 목적지 예측모델을 이용하여 선박 목적지를 예측하는 소프트웨어적인 모듈을 의미한다.

선박 목적지 예측부(230)는 생성된 예측모델에 실제 해역에서 입항하는 선박의 정보와 항만시설의 점유정보를 입력하여 해당 선박의 목적지 상위 3개 또는 5개를 확률값으로 제공한다.

도 3a,3b는 본 실시예에 따른 데이터 전처리부를 개략적으로 나타낸 블럭 구성도이다.

본 실시예에 따른 데이터 전처리부(210)는 항만시설 점유율 계산 모듈(310), 입력 데이터 생성 모듈(320), 출력 데이터 생성 모듈(330)을 포함한다. 데이터 전처리부(210)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.

도 3a에 도시된 바와 같이, 데이터 전처리부(210)는 항만시설 입출항 데이터베이스(150)로부터 각 선박의 항만시설 입항데이터, 선박 트래픽 데이터를 불러오고, 해당 선박의 항만시설 입항 시점의 주변 항만시설 점유율을 계산한다.

도 3b에 도시된 바와 같이 항만시설 점유율 계산 모듈(310)은 항만시설 입출항 데이터베이스(150)로부터 선박 입항 데이터를 추출한다. 선박 입항 데이터는 선박명, 호출 부호, 입항시간, 입항 항만시설명, 선박길이, 선박종류 중 적어도 하나 이상의 정보를 포함한다.

항만시설 점유율 계산 모듈(310)은 항만시설 입출항 데이터베이스(150)로부터 추출된 선박 입항 데이터에 포함된 선박 입항 시각을 이용하여 주변 선박 항만시설 점유율을 계산한다.

다시 말해, 항만시설 점유율 계산 모듈(310)은 선박 트래픽 데이터로부터 추출된 복수 개의 항목 정보 중 선박 입항 시각을 이용하여 주변 선박 항만시설 점유율을 계산한다.

도 3b에 도시된 바와 같이, 입력 데이터 생성 모듈(320)은 항만시설 입출항 데이터베이스(150)로부터 추출된 선박 입항 선박의 선박 길이, 선박 종류, 입항 시간 데이터와 항만시설 점유율 계산 모듈(310)에서 계산한 입항 시점의 항만시설 점유율 데이터를 입력 속성 데이터로 생성한다.

다시 말해, 입력 데이터 생성 모듈(320)은 선박 트래픽 데이터로부터 추출된 복수 개의 항목 정보 중 선박 길이, 선박 종류, 입항 시간 데이터와 입항 시점의 항만시설 점유율 데이터를 입력 속성으로 구분한 최초 입력 속성 데이터를 생성한다.

도 3b에 도시된 바와 같이, 출력 데이터 생성 모듈(330)은 해당 선박의 입항 항만시설을 출력(Label) 데이터로 생성한다.

다시 말해, 출력 데이터 생성 모듈(330)은 선박 트래픽 데이터로부터 추출된 복수 개의 항목 정보 중 해당 선박의 입항 항만시설을 출력 속성으로 구분한 최초 출력 속성 데이터를 생성한다.

도 4는 본 실시예에 따른 선박 목적지 예측모델 생성부를 개략적으로 나타낸 블럭 구성도이다.

본 실시예에 따른 선박 목적지 예측모델 생성부(220)는 지도 학습 딥러닝부(410), 예측 분류 모델 생성부(420)를 포함한다. 선박 목적지 예측모델 생성부(220)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.

지도 학습 딥러닝부(410)는 데이터 전처리부(210)로부터 입력 속성 데이터와 출력 속성 데이터를 수신한다. 지도 학습 딥러닝부(410)는 입력 속성 데이터와 출력 속성 데이터를 지도 학습의 피드포워드(Feed-Forward) 네트워크 딥 러닝 모델에 학습시키고, 선박 목적지 예측분류모델을 생성한다. 여기서, 출력 데이터는 모든 항만시설의 수만큼 0 벡터로 구성하고, 해당 항만시설 순번을 1로 하는 단일 핫 벡터(One-Hot Vector)로 입력한다.

다시 말해, 지도 학습 딥러닝부(410)는 데이터 전처리부(210)로부터 최초 입력 속성 데이터와 최초 출력 속성 데이터를 수신한다. 지도 학습 딥러닝부(410)는 최초 입력 속성 데이터와 최초 출력 속성 데이터를 피드포워드(Feed-Forward) 네트워크 딥 러닝 모델에 학습시킨 학습 결과를 출력한다.

예측 분류 모델 생성부(420)는 지도 학습 딥러닝부(410)로부터 수신된 데이터에 근거하여 선박 목적지 예측분류모델을 생성한다. 다시 말해, 예측 분류 모델 생성부(420)는 지도 학습 딥러닝부(410)에서 출력한 학습 결과를 기반으로 선박 목적지 예측모델을 생성한다.

도 5는 본 실시예에 따른 선박 목적지 예측부를 개략적으로 나타낸 블럭 구성도이다.

본 실시예에 따른 선박 목적지 예측부(230)는 데이터 입력부(510), 예측모델 적용부(520), 예비 후보 생성부(530), 필터링부(540), 최종 목적지 결정부(550)를 포함한다. 선박 목적지 예측부(230)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.

선박 목적지 예측부(230)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.

도 5에 도시된 선박 목적지 예측부(230)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

데이터 입력부(510)는 항만 관리 장치(130)로부터 선박(110)들이 전송한 데이터를 수신한다. 데이터 입력부(510)는 항만입출항 종합관리시스템(PORT-MIS) 또는 선박 자동식별장치(AIS)로부터 선박(110)들이 전송한 데이터를 수신한다. 데이터 입력부(510)는 선박 목적지 예측모델 생성부(220)로부터 선박 목적지 예측모델을 입력받는다.

다시 말해, 데이터 입력부(510)는 항만 관리 장치(130) 또는 항만시설 입출항 데이터베이스(150)로부터 선박 트래픽 데이터(Vessel Traffic Data)를 입력받는다.

예측모델 적용부(520)는 선박 목적지 예측모델 생성부(220)에서 생성한 선박 목적지 예측분류 모델을 실제 해역에 적용하여 선박 목적지 예측한다. 예측모델 적용부(520)는 데이터 입력부(510)로부터 선박 트래픽 데이터로부터 선박의 길이, 선박 종류, 입항 시간 정보, 현재 시점의 항만시설 선박 점유율 정보를 입력 데이터로서 입력받는다.

예측모델 적용부(520)는 선박 목적지 예측모델 생성부(220)에서 생성한 선박 목적지 예측 분류 모델에 입력 데이터를 입력한다. 예측모델 적용부(520)는 도 8에 도시된 바와 같이, 6개의 히든 레이어를 갖는 다중 레이어 퍼셉트론(Multilayer Perceptron)인 딥 뉴럴 네트워크로 구현된 ‘예측 분류 모델’을 적용한다.

예측모델 적용부(520)는 딥 뉴럴 네트워크에서 인접 레이어의 노드가 완전히 연결되고 ReLU(Rectified Linear Unit)를 활성화한다. 예측 분류 모델은 복수의 레이어로 이루어지며, 마지막 레이어를 제외한 각 계층에는 ReLU가 존재한다. ReLU는 딥 뉴럴 네트워크의 레이어가 깊어짐에 따라 정확성이 떨어지는 것을 막기 위해 사용하는 일종의 활성화 함수를 의미한다. 예측모델 적용부(520)에서 적용하는 ‘예측 분류 모델’의 마지막 레이어는 소프트맥스 레이어이다.

예측모델 적용부(520)에서 적용하는 ‘예측 분류 모델’의 각 노드가 1로 합산하는 음이 아닌 값을 생성하는 확률과 유사한 출력을 생성한다. 예측모델 적용부(520)에서 적용하는 ‘예측 분류 모델’의 입력 레이어로는 ‘항행 구역’, ‘선박 톤수’, ‘선박 깊이’, ‘선박 길이’, ‘선박 유형’ 및 ‘항만시설 점유율’ 등과 같은 항목이 입력된다.

‘예측 분류 모델’에 입력되는 값 중 ‘항만시설 점유율’을 제외하고 다른 모든 입력 항목(Item)은 전처리되어 일종의 범주값(Categorical Values)을 갖는다. 예를 들어, ‘항행 구역’은 내륙, 연안 및 해양 중 하나의 값을 갖는다. ‘예측 분류 모델’에 입력되는 값들의 범주 속성은 단일 핫 벡터(One Hot Vector) 표현으로 인코딩된다. 범주 속성이 3개의 서로 다른 값을 갖는 경우, 속성은 (1, 0, 0)과 같은 3 개의 요소를 갖는 단일 핫 벡터(One Hot Vector)로 표현된다.

‘예측 분류 모델’에 입력되는 ‘항행 구역’, ‘선박 톤수’, ‘선박 깊이’, ‘선박 길이’, ‘선박 유형’은 각각 3, 10, 10, 10 및 55개의 서로 다른 값을 가진다. ‘예측 분류 모델’에 입력되는 ‘항만시설 점유율’은 연속적인 도메인 [0, 1]이 있는 숫자 속성으로, 순간 선박 수를 항구에 정박된 최대 선박 수로 나누어 계산한다.

도 8에 도시된 바와 같이, ‘예측 분류 모델’에서, 출력 노드의 수는 353이고, 각 출력 노드의 출력은 예측 스코어이다. 출력값이 높을수록 대상 선박이 해당 항만시설로 이동할 확률이 높아진다.

‘예측 분류 모델’에 적용되는 손실 함수(Loss Function)는 단일 핫 벡터(One Hot Vector)로 표현되는 목표 출력과 네트워크 출력 간의 교차 엔트로피이다. ‘예측 분류 모델’은 역 전파 알고리즘(Error Backpropagation Algorithm)을 사용하여 학습한다.

다시 말해, 예측모델 적용부(520)는 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출한다. 예측모델 적용부(520)는 선박 목적지 예측모델 생성부(220)에서 기 생성된 선박 목적지 예측모델(Vessel Destination Prediction Model) 상에 항목 정보를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습한 확률값을 근거로 항만시설별로 산출된 목적지 확률을 예측 결과값으로 출력한다.

예측모델 적용부(520)는 선박 트래픽 데이터로부터 항행 구역 정보(Sailing Area), 선박 톤수 정보(Vessel Tonnage), 선박 깊이 정보(Vessel Depth), 선박 길이 정보(Vessel Length), 선박 종류 정보(Vessel Type), 입항 시간 정보, 현재 시점의 항만시설 선박 점유율 정보(Harbor Occupation Rate) 중 적어도 하나 이상의 정보를 입력 속성 데이터(Input Attributes Data)로서 선박 목적지 예측모델에 입력하여 항만시설별로 산출된 목적지 확률을 예측 결과값으로 산출한다.

예측모델 적용부(520)는 기 설정된 히든 레이어(Hidden Layers)를 갖는 다중 레이어 퍼셉트론(Multilayer Perceptron)인 딥 뉴럴 네트워크로 구현된 선박 목적지 예측모델을 적용한다.

예비 후보 생성부(530)는 예측모델 적용부(520)에서 출력된 출력값 중 기 설정된 상위 값만을 예비 목적지 후보로 생성한다. 예컨대, 상위 3 내지 5개가 기 설정된 경우, 예비 후보 생성부(530)는 예측모델 적용부(520)에서 출력된 353개의 출력값 중 상위 3 내지 5개만을 선별하여 예비 목적지 후보로 생성한다. 예비 후보 생성부(530)는 예측모델에 의해 상위 N개의 항만시설들을 예비 목적지 후보 정보로 생성하여 필터링부(540)로 전송한다.

예비 후보 생성부(530)에서 생성하는 예비 후보 정보는 높은 확률값을 갖는다. 예비 후보 생성부(530)는 예측모델 적용부(520)에서 적용한 분류 모델을 기반으로 예비 목적지 후보를 생성한다.

다시 말해, 예비 후보 생성부(530)는 예측 결과값 중 상위의 기 설정된 개수(예컨대, 3 내지 5개)만을 선별하여 예비 목적지 후보로 선별한다. 예비 후보 생성부(530)는 예측 결과값 중 기 설정된 개수의 상위 값만을 선별하거나 예측 결과값 중 임계치를 초과하는 확률값을 갖는 값만을 선별하여 예비 목적지 후보로 생성한다.

필터링부(540)는 예비 후보 생성부(530)로부터 예비 목적지 후보를 수신하고, 선박(110)의 현재 위치 및 선박(110)의 네비게이션 방향과의 호환성에 대해 평가한다. 필터링부(540)는 선박(110)의 현재 위치 및 선박(110)의 네비게이션 방향을 확인하기 위해 항만 입출항 항만시설 입출항 데이터베이스(150)로부터 수신된 선박의 실시간 데이터를 이용한다. 필터링부(540)는 예비 목적지 후보 중 검사를 통과한 예비 목적지 후보를 최종 목적지 결정부(550)로 전송한다.

필터링부(540)는 예비 후보 생성부(530)에서 출력한 예비 목적지 후보 정보 중 해당 선박의 이동 방향과 관계없는 정보를 필터링한다. 필터링부(540)는 항만 입출항 항만시설 입출항 데이터베이스(150)로부터 현재 위치 및 선박의 네비게이션 방향(진행 방향)을 수신한다. 필터링부(540)는 예비 후보 생성부(530)에서 출력한 예비 목적지 후보 정보 중 해당 선박의 이동 방향에 해당하는 정보만을 최종 목적지 정보로 결정한다. 필터링부(540)는 예비 후보 생성부(530)에서 출력한 예비 목적지 후보 정보 중 해당 선박의 이동 방향에 근거하여 필터링을 수행한다.

필터링부(540)는 예비 후보 생성부(530)에서 생성한 예비 목적지 후보 정보로부터 선박의 네비게이션 정보와 호환성이 떨어지는 정보를 필터링한다. 필터링부(540)는 항만 입출항 항만시설 입출항 데이터베이스(150)로부터 선박(110)의 네비게이션 정보를 수신한다. 필터링부(540)는 네비게이션 정보로부터 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 추출한다. 필터링부(540)는 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보 중 적어도 하나 이상의 정보를 이용하여 선박(110)의 진행 방향을 확인하고, 예비 목적지 후보 정보 중 선박(110)의 진행 방향과 무관한 후보지를 제외한다.

필터링부(540)는 네비게이션 정보로부터 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 추출한다. 경로 가이드 라인 정보는 몇 개의 경로 게이트 라인으로 나뉜다. 각 경로 게이트 라인은 게이트 라인 위치, 입출력 방향 코스 및 인접 항만시설의 범위에 표시된다.

필터링부(540)는 경로 게이트 라인 정보를 이용하여 대상 선박의 위치와 코스를 경로 게이트 라인 정보와 비교함으로써 현재 게이트 라인과 대상 선박의 항해 방향을 결정한다. 필터링부(540)는 현재 경로 게이트 라인 정보와 항해 방향을 이용하여 게이트 라인 후보를 추출하며, 게이트 라인 후보는 항해 방향 쪽에 위치한 항만시설만이 목록으로 생성된다.

필터링부(540)는 요소 0과 요소 1로 구성된 위치 방향 필터 벡터를 이용하여 항만시설 목록을 생성한다. 필터링부(540)는 위치 방향 요소와 항만 후보자의 확률을 곱으로, 낮은 확률을 갖는 항만시설을 후보지에서 제외한다.

다시 말해, 필터링부(540)는 예비 목적지 후보와 선박(110)의 네비게이션 정보를 기반으로 예비 목적지 후보 중 일부(관련성이 낮은) 후보지를 제외한 필터링 결과를 출력한다.

필터링부(540)는 항만 관리 장치(130) 또는 항만시설 입출항 데이터베이스(150)로부터 네비게이션 정보를 수신한다. 필터링부(540)는 네비게이션 정보로부터 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 추출한다. 필터링부(540)는 예비 목적지 후보, 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 기반으로 필터링 결과를 출력한다.

필터링부(540)는 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 기반으로 선박의 진행 방향을 확인한다. 필터링부(540)는 예비 목적지 후보 정보 중 진행 방향을 벗어나는 후보지를 제외한 필터링 결과를 출력한다.

최종 목적지 결정부(550)는 필터링 경과 중 최종 목적지 후보를 결정하여 출력한다.

다시 말해, 최종 목적지 결정부(550)는 필터링 결과 중 목적지일 확률이 가장 높은 확률값을 갖는 정보를 최종 목적지 후보로 결정한다. 최종 목적지 결정부(550)는 필터링부(540)로부터 수신한 필터링 결과를 기반으로 목적지일 확률이 가장 높다고 판단되는 정보를 최종 목적지 정보로 결정한다. 최종 목적지 결정부(550)는 최종 도착지의 최대 개수를 기 설정된 개수로 제한한다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

110: 선박 120: 기지국
130: 항만 관리 장치 140: 선박 목적지 예측 장치
150: 항만시설 입출항 데이터베이스
210: 데이터 전처리부
220: 선박 목적지 예측모델 생성부
230: 선박 목적지 예측 모듈
310: 항만시설 점유율 계산 모듈 320: 입력 데이터 생성 모듈
330: 라벨데이터 생성 모듈
410: 지도 학습 딥러닝부 420: 예측 분류 모델 생성부
510: 데이터 입력부 520: 예측 분류 모델 적용부
530: 예비 수보 생성부 540: 필터링부
550: 최종 목적지 결정부

Claims

항만 관리 장치 또는 데이터베이스로부터 선박 트래픽 데이터(Vessel Traffic Data)를 입력받는 데이터 입력부;
선박 목적지 예측모델(Vessel Destination Prediction Model)을 생성하기 위해 상기 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출하고, 상기 항목 정보를 최초 입력 속성 데이터, 최초 출력 속성 데이터로 구분하는 전처리부;
상기 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출하고, 기 생성된 상기 선박 목적지 예측모델 상에 상기 항목 정보를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습한 확률값을 근거로 항만시설별로 산출된 목적지 확률을 예측 결과값으로 출력하는 예측모델 적용부;
상기 예측 결과값 중 상위의 기 설정된 개수만을 선별하여 예비 목적지 후보로 선별하는 예비 후보 생성부;
상기 예비 목적지 후보와 선박의 네비게이션 정보를 기반으로 상기 예비 목적지 후보 중 일부 후보지를 제외한 필터링 결과를 출력하는 필터링부;
상기 필터링 결과 중 최종 목적지 후보를 결정하여 출력하는 최종 목적지 결정부; 및
를 포함하되, 상기 전처리부는 복수 개의 상기 항목 정보 중 선박 입항 시각을 이용하여 주변 선박 항만시설 점유율을 계산하는 항만시설 점유율 계산 모듈; 복수 개의 상기 항목 정보 중 선박 길이, 선박 종류, 입항 시간 데이터와 입항 시점의 항만시설 점유율 데이터를 입력 속성으로 구분한 상기 최초 입력 속성 데이터를 생성하는 입력 데이터 생성 모듈; 및 복수 개의 상기 항목 정보 중 해당 선박의 입항 항만시설을 출력 속성으로 구분한 상기 최초 출력 속성 데이터를 생성하는 출력 데이터 생성 모듈을 포함하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 1 항에 있어서,
상기 예측모델 적용부는,
상기 선박 트래픽 데이터로부터 항행 구역 정보(Sailing Area), 선박 톤수 정보(Vessel Tonnage), 선박 깊이 정보(Vessel Depth), 선박 길이 정보(Vessel Length), 선박 종류 정보(Vessel Type), 입항 시간 정보, 현재 시점의 항만시설 선박 점유율 정보(Harbor Occupation Rate) 중 적어도 하나 이상의 정보를 입력 속성 데이터(Input Attributes Data)로서 상기 선박 목적지 예측모델에 입력하여 상기 항만시설별로 산출된 목적지 확률을 상기 예측 결과값으로 산출하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 2 항에 있어서,
상기 예측모델 적용부는,
기 설정된 히든 레이어(Hidden Layers)를 갖는 다중 레이어 퍼셉트론(Multilayer Perceptron)인 딥 뉴럴 네트워크로 구현된 상기 선박 목적지 예측모델을 적용하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 1 항에 있어서,
상기 예비 후보 생성부는,
상기 예측 결과값 중 기 설정된 개수의 상위 값만을 선별하거나 상기 예측 결과값 중 임계치를 초과하는 확률값을 갖는 값만을 선별하여 상기 예비 목적지 후보로 생성하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 1 항에 있어서,
상기 필터링부는,
상기 항만 관리 장치 또는 상기 데이터베이스로부터 상기 네비게이션 정보를 수신하고, 상기 네비게이션 정보로부터 선박 위치 정보, 코스 정보 및 경로 가이드 라인 정보를 추출하며, 상기 예비 목적지 후보와 상기 선박 위치 정보, 상기 코스 정보 및 상기 경로 가이드 라인 정보를 기반으로 상기 필터링 결과를 출력하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 5 항에 있어서,
상기 필터링부는,
상기 선박 위치 정보, 상기 코스 정보 및 상기 경로 가이드 라인 정보를 기반으로 선박의 진행 방향을 확인하고, 상기 예비 목적지 후보 정보 중 상기 진행 방향을 벗어나는 후보지를 제외한 상기 필터링 결과를 출력하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 1 항에 있어서,
상기 최종 목적지 결정부
상기 필터링 결과 중 목적지일 확률이 가장 높은 확률값을 갖는 정보를 상기 최종 목적지 후보로 결정하는 것을 특징으로 하는 선박 목적지 예측 장치.
삭제
삭제
제 1 항에 있어서,
상기 최초 입력 속성 데이터, 상기 최초 출력 속성 데이터를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습하여 상기 선박 목적지 예측모델을 생성하는 선박 목적지 예측모델 생성부
를 추가로 포함하는 것을 특징으로 하는 선박 목적지 예측 장치.
제 10 항에 있어서,
상기 선박 목적지 예측모델 생성부는,
상기 최초 입력 속성 데이터와 상기 최초 출력 속성 데이터를 피드포워드(Feed-Forward) 네트워크 딥 러닝 모델에 학습시킨 학습 결과를 출력하는 지도 학습 딥러닝부; 및
상기 학습 결과를 기반으로 상기 선박 목적지 예측모델을 생성하는 예측 분류 모델 생성부
를 포함하는 것을 특징으로 하는 선박 목적지 예측 장치.
항만 관리 장치 또는 데이터베이스로부터 선박 트래픽 데이터(Vessel Traffic Data)를 입력받는 과정;
선박 목적지 예측모델(Vessel Destination Prediction Model)을 생성하기 위해 상기 선박 트래픽 데이터로부터 복수 개의 항목 정보를 추출하고, 상기 항목 정보를 최초 입력 속성 데이터, 최초 출력 속성 데이터로 구분하는 전처리 과정;
상기 선박 트래픽 데이터로부터 복수 개의 상기 항목 정보를 추출하고, 기 생성된 상기 선박 목적지 예측모델 상에 상기 항목 정보를 입력하여 딥 뉴럴 네트워크 알고리즘(Deep Neural Network Algorithm)에 따라 학습한 확률값을 근거로 항만시설별로 산출된 목적지 확률을 예측 결과값으로 출력하는 과정;
상기 예측 결과값 중 상위의 기 설정된 개수만을 선별하여 예비 목적지 후보로 선별하는 과정;
상기 예비 목적지 후보와 선박의 네비게이션 정보를 기반으로 상기 예비 목적지 후보 중 관련성이 낮은 후보지를 제외한 필터링 결과를 출력하는 과정; 및
상기 필터링 결과 중 최종 목적지 후보를 결정하여 출력하는 과정
을 포함하되, 상기 전처리 과정은 복수 개의 상기 항목 정보 중 선박 입항 시각을 이용하여 주변 선박 항만시설 점유율을 계산하는 과정, 복수 개의 상기 항목 정보 중 선박 길이, 선박 종류, 입항 시간 데이터와 입항 시점의 항만시설 점유율 데이터를 입력 속성으로 구분한 상기 최초 입력 속성 데이터를 생성하는 과정, 복수 개의 상기 항목 정보 중 해당 선박의 입항 항만시설을 출력 속성으로 구분한 상기 최초 출력 속성 데이터를 생성하는 과정을 포함하는 것을 특징으로 하는 선박 목적지 예측 방법.