KR102137380B1

KR102137380B1 - 스마트 항만 관리 시스템

Info

Publication number: KR102137380B1
Application number: KR1020190139973A
Authority: KR
Inventors: 신동옥; 송정훈
Original assignee: 에이원커뮤니케이션즈코리아(주); 송정훈
Priority date: 2019-11-05
Filing date: 2019-11-05
Publication date: 2020-07-24

Abstract

스마트 항만 관리 시스템은, AI를 기반으로 항만 관리를 수행하는 스마트 항만 관리 시스템으로서, 선박에 설치되며 선박 정보가 저장된 정보 저장 태그, 정보 저장 태그가 발신하는 선박 정보를 수신하는 정보 수신기, 및 정보 수신기로부터 수신한 선박 정보를 활용하여 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측하는 머신 러닝 모델을 구동시키는 스마트 항만 서버를 포함한다.

Description

스마트 항만 관리 시스템 {MANAGEMENT SYSTEM OF SMART HARBOR}

본 발명은 스마트 항만 관리 시스템으로서, 보다 구체적으로는 비콘 통신 및 서버 간의 통신을 통해 스마트 항만 서버의 머신 러닝 모델에 선박 정보를 포함하는 항만 관리 정보를 제공하고, 머신 러닝 모델은 제공된 정보를 이용하여 입·출항 선박의 수량 및 내항 오염도를 예측하는 AI 기반의 스마트 항만 관리 시스템에 관한 것이다.

우리나라를 포함하여 국토가 해양과 인접해 있는 국가들은 많은 항만을 보유하고 있으며, 이러한 항만에서는 다양한 경제 활동이 이루어지고 있다. 따라서, 항만 관리는 그 중요성이 증대되고 있는 실정이며, 항만 관리에는 많은 노력과 비용이 들고 있다.

특히, 항만 관리를 위해서는 정확한 입·출항 선박의 수량 파악이 중요한데, 입·출항 선박의 수량을 정확하게 파악하지 못할 경우 항만개발의 필요 여부 판단을 명확히 못하여 적정한 부두 개발 비용 투입에 자원을 소모하기만 하고 효과적인 항만 관리가 이루어질 수 없다.

한편, 종래에는 선박 관리를 위해 선박자동식별장치(AIS; Automatic Identification System)를 이용하고 있으나(한국등록특허 제10-1635142호 참조), 이 장치가 워낙 고가라서 일부 선박에만 설치의무가 있으며, 그에 따라 실질적으로 선박 관리가 제대로 이루어지고 있다고 볼 수 없다.

또한, 최근 4차 혁명이 화두로 떠오르면서 AI(Artificial Intelligence) 및 IOT(Internet of Things)를 이용하여 항만을 관리하는 스마트 항만 체계가 관심을 받고 있으며, 일부 국가에서는 스마트 항만을 실질적으로 운영하고 있는 실정이다.

이러한 문제점을 해결하기 위하여, 선박 관리를 포함하는 항만 관리를 AI 및 IOT를 이용하는 스마트 항만 관리 시스템의 필요성이 대두되고 있다.

본 발명이 해결하려는 과제는, 비콘 통신 및 서버 간의 통신을 통해 스마트 항만 서버의 머신 러닝 모델에 선박 정보를 포함하는 항만 관리 정보를 제공하고, 머신 러닝 모델은 제공된 정보를 이용하여 입·출항 선박의 수량 및 내항 오염도를 예측하는 AI 기반의 스마트 항만 관리 시스템을 제공하는 데 있다.

본 발명이 해결하려는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 스마트 항만 관리 시스템은, AI를 기반으로 항만 관리를 수행하는 스마트 항만 관리 시스템으로서, 선박에 설치되며 선박 정보가 저장된 정보 저장 태그, 정보 저장 태그가 발신하는 선박 정보를 수신하는 정보 수신기, 및 정보 수신기로부터 수신한 선박 정보를 활용하여 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측하는 머신 러닝 모델을 구동시키는 스마트 항만 서버를 포함한다.

본 발명에 따르면, 비콘 통신 및 서버 간의 통신을 통해 스마트 항만 서버의 머신 러닝 모델에 선박 정보를 포함하는 항만 관리 정보를 제공하고, 머신 러닝 모델은 제공된 정보를 이용하여 입·출항 선박의 수량 및 내항 오염도를 예측하는 AI 기반의 스마트 항만 관리 시스템을 제공할 수 있다.

도 1 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 비콘 태그와 비콘 수신기 간의 통신을 나타낸 도면이다.
도 2 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 선박 입·출항량을 예측하기 위한 각 구성 간의 통신 활동을 나타낸 도면이다.
도 3 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 학습을 통해 생성된 머신 러닝 모델이 선박 입·출항량을 예측하는 과정을 나타낸 도면이다.
도 4 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 머신 러닝 모델이 각종 정보를 입력받아 입·출항 선박의 수량을 예측하는 과정의 개념도이다.
도 5 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 내항의 오염도를 예측하기 위한 각 구성 간의 통신 활동을 나타낸 도면이다.
도 6 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 학습을 통해 생성된 머신 러닝 모델이 내항의 오염도를 예측하는 과정을 나타낸 도면이다.
도 7 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 머신 러닝 모델이 각종 정보를 입력받아 내항의 오염도를 예측하는 과정의 개념도이다.

본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계 및 동작은 하나 이상의 다른 구성요소, 단계 및 동작의 존재 또는 추가를 배제하지 않는다.

도 1 내지 7 을 참조하여, 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 설명한다. 도 1 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 비콘 태그와 비콘 수신기 간의 통신을 나타낸 도면이다. 도 2 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 입·출항 선박의 수량을 예측하기 위한 각 구성 간의 통신 활동을 나타낸 도면이다.

도 3 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 학습을 통해 생성된 머신 러닝 모델이 입·출항 선박의 수량을 예측하는 과정을 나타낸 도면이다. 도 4 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 머신 러닝 모델이 각종 정보를 입력받아 입·출항 선박의 수량을 예측하는 과정의 개념도이다.

도 5 는 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 내항의 오염도를 예측하기 위한 각 구성 간의 통신 활동을 나타낸 도면이다. 도 6 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템에 있어서 학습을 통해 생성된 머신 러닝 모델이 내항의 오염도를 예측하는 과정을 나타낸 도면이다. 도 7 은 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템을 구성하는 머신 러닝 모델이 각종 정보를 입력받아 내항의 오염도를 예측하는 과정의 개념도이다.

도 1 내지 7 을 참조하면, 본 발명의 일 실시예에 따른 스마트 항만 관리 시스템은, AI(Artificial Intelligence)를 기반으로 항만 관리를 수행하는 스마트 항만 관리 시스템으로서, 정보 저장 태그, 정보 수신기, 중계 통신 기기(40), 입·출항 관리 서버(70), 수질 측정 센서(90), 방사능 측정 센서(100) 및 스마트 항만 서버(60)를 포함할 수 있다.

정보 저장 태그는 선박(10)에 설치되며 선박 정보가 저장되어 외부로 선박 정보를 전송하는 장치이다.

이러한 정보 저장 태그로는 비콘 태그(30) 및 RFID 태그가 있을 수 있으며, 이하 비콘 태그(30)를 중심으로 설명한다.

비콘 태그(30)는 블루투스4.0(BLE) 프로토콜 기반의 근거리 무선통신 장치일 수 있으나, 이에 제한되는 것은 아니다.

이 때, 선박 정보는 선명, 톤수, 선원수, 선박 이미지, 선주 정보, 선박의 이동 경로, 비콘 시리얼 정보, 입항 혹은 출항 정보 등을 포함할 수 있다.

정보 수신기는 정보 저장 태그가 발신하는 선박 정보를 수신하는 장치이다.

이러한 정보 수신기는, 비콘 태그(30)에 대응하여 비콘 수신기(50)가 되거나, RFID 태그에 대응하여 RFID 수신기가 될 수 있으며, 이하 비콘 수신기(50)를 중심으로 설명한다.

이러한 비콘 수신기(50)는 항포구에 위치한 등대(20)에 설치되거나, 항포구에 설치된 별도의 설치대 상에 장착될 수 있으나, 비콘 수신기(50)의 설치 형태는 다양할 수 있다.

비콘 수신기(50)는 선박(10)의 비콘 태그(30)로부터 선박 정보를 수신한 후 수신한 선박 정보를 후술하는 스마트 항만 서버(60)에 제공할 수 있다.

중계 통신 기기(40)는 입항하는 선박(10)에 위치하며 비콘 태그(30)가 송신하는 선박 정보를 수신하여 다시 비콘 수신기(50)에 제공하는 기기이다.

경우에 따라서는, 중계 통신 기기(40)는 RFID 태그가 송신하는 선박 정보를 수신하여 다시 RFID 수신기에 제공할 수도 있다.

즉, 도 2 에 도시된 바와 같이, 선박 정보는 비콘 태그(30)로부터 비콘 수신기(50)에 바로 전송될 수 있지만(A 경로), 경우에 따라서는 비콘 태그(30)로부터 발신된 선박 정보는 중계 통신 기기(40)를 거쳐 비콘 수신기(50)에 전달될 수도 있다(B 경로).

비콘 태그(30)의 통신 반경은 50~70m일 수 있는바, 경우에 따라서는 비콘 태그(30)와 비콘 수신기(50)의 통신이 원활하지 않을 수 있다. 반면에, 중계 통신 기기(40)는 5G, LTE, 4G, 3G 등과 같은 통신망을 사용하여 원거리 통신을 수행할 수 있으므로 비콘 수신기(50)와 통신 장애가 발생하지 않을 수 있다.

따라서, 비콘 태그(30)의 선박 정보는 우선 중계 통신 기기(40)에 전송되고, 이후 중계 통신 기기(40)에서 비콘 수신기(50)로 선박 정보가 제공될 수 있다.

이러한 중계 통신 기기(40)의 일 형태로는, 스마트폰, 태블릿 PC 와 같은 스마트 기기일 수 있으며, 선박(10)의 선장을 포함한 선원의 것이거나 선박(10)에 통신을 위해 장착된 것일 수 있다. 한편, 중계 통신 기기(40)의 형태는 전술한 사항에 제한되는 것은 아니다.

입·출항 관리 서버(70)는 선박(10)의 입·출항 신고 내역을 관리하고 입·출항 신고 내역을 스마트 항만 서버(60)에 제공하는 서버이다.

선박(10)이 항만에 입항하거나 항만으로부터 출항을 할 때는 입·출항 신고서를 작성하도록 되어 있으며, 이러한 입·출항 신고 정보는 입·출항 관리 서버(70)에 제공될 수 있다.

전술한 바와 같이, 입·출항하는 선박(10)은 비콘 태그(30)를 이용하여 선박 정보를 스마트 항만 서버(60)에 제공하는바, 항만 관리 기관은 일정 기간 동안 입항하는 선박(10)의 수량과 출항하는 선박(10)의 수량를 파악할 수 있다.

그러나, 비콘 태그(30), 비콘 수신기(50), 중계 통신 기기(40) 등이 고장나거나 근거리/원거리 통신망의 통신이 원활하지 못할 경우 비콘 태그(30)의 선박 정보가 스마트 항만 서버(60)로 전달되지 않을 수 있다.

이럴 경우 입·출항하는 선박의 수량이 정확하게 파악되지 않을 수 있으며, 이러한 점을 보완하기 위해 입·출항 관리 서버(70)는 별도로 입·출항 선박의 내역을 관리할 수 있다.

즉, 스마트 항만 서버(60)는 비콘 태그(30)로부터 선박 정보를 획득하고, 또한 입·출항 관리 서버(70)로부터 선박(10)의 입·출항 내역을 확보할 수 있다.

또한, 스마트 항만 서버(60)는 선박 정보와 입·출항 신고 내역을 비교하여 비콘 통신의 장애로 인해 발생한 입·출항 선박의 수량의 누락 사항을 파악할 수 있다.

수질 측정 센서(90)는 내항의 수질을 측정하는 센서로서, 내항의 시설 하부에 설치되거나 내항을 부유하는 구조물에 설치되어 내항의 수질을 측정할 수 있다. 물론, 수질 측정 센서(90)는 전술한 방식이 아닌 다른 방식으로도 설치될 수 있으며 내항의 수질을 측정할 수 있다면 그 제한은 없다.

이러한 수질 측정 센서(90)는 내항의 수질을 측정한 후에 수신한 수질 측정치를 스마트 항만 서버(60)로 제공할 수 있다. 이후 스마트 항만 서버(60)의 머신 러닝 모델(80)은 수질 측정치를 이용하여 내항의 수질을 예측할 수 있다.

방사능 측정 센서(100)는 내항의 방사능 수치를 측정하는 센서로서, 내항의 시설의 하부에 설치되거나 내항을 부유하는 구조물에 설치되어 내항의 방사능 수치를 측정할 수 있다. 물론, 방사능 측정 센서(100)는 전술한 방식이 아닌 다른 방식으로도 설치될 수 있으며 내항의 방사능 수치를 측정할 수 있다면 그 제한은 없다.

이러한 방사능 측정 센서(100)는 내항의 방사능 수치를 측정한 후에 수신한 방사능 수치를 스마트 항만 서버(60)로 제공할 수 있다. 이후 스마트 항만 서버(60)의 머신 러닝 모델(80)은 방사능 수치를 이용하여 내항의 방사능 수치를 예측할 수 있다.

즉, 머신 러닝 모델(80)은, 수질 측정 센서(90)로부터 수신한 수질 측정치 및 방사능 측정 센서(100)로부터 수신한 방사능 수치를 이용하여 내항의 오염도를 예측할 수 있다.

스마트 항만 서버(60)는 항만에 설치된 기기/센서 또는 다른 서버로부터 항만 관리에 필요한 항만 관리 정보를 수신한 후, 이를 이용하여 항만 관리를 수행하는 서버이다.

이를 위해, 스마트 항만 서버(60)는 머신 러닝 모델(Machine Learning Model)(80)을 구동시키며, AI를 기반으로 항만 관리를 수행할 수 있다.

우선, 스마트 항만 서버(60)는 입·출항하는 선박(10)을 관리하여, 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측할 수 있다.

이와 관련하여, 종래에는 입·출항 선박의 수량을 입·출항 신고서에 기재된 내역을 이용하여 파악하는바 입·출항 신고서의 작성이 잘 이루어지지 않을 경우에 실제 입·출항 선박의 수량을 파악하지 못할 수 있다.

또한, 장비를 이용하더라도 모든 선박이 선박자동식별장치(AIS)와 같은 고가의 장비를 설치하기 어렵고, 감독기관이 입항하는 선박들이 AIS 장치를 설치했는지 파악하기도 힘들었다.

즉, 항만 관리 기관이 항만의 선박 입·출항량을 정확하게 파악하기 어려웠다.

이렇게 입·출항 선박의 수량을 정확하게 파악하지 못함에 따라, 항만 관리 기관은 현재 입·출항 접안시설이 충분한지 여부, 입·출항 접안시설을 늘려야하는지 여부, 항만 관리에 필요한 예산이 어느정도가 적정한지 여부 등을 파악하기 어렵다.

이러한 문제점을 고려하여, 본 발명의 경우, 스마트 항만 서버(60)는 비콘 수신기(50)로부터 수신한 선박 정보를 활용하여 머신 러닝 모델(80)을 통해 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측할 수 있다.

또한, 통신 장비 고장 내지 통신 장애에 따른 선박 정보의 전송이 원활하지 않을 경우를 대비하여, 스마트 항만 서버(60)는 입·출항 관리 서버(70)가 제공하는 입·출항 신고 내역을 이용하여 머신 러닝 모델(80)을 통해 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측할 수 있다.

좀 더 구체적으로, 스마트 항만 서버(60)가 머신 러닝 모델(80)을 통해 비콘 태그(30)가 제공하는 선박 정보로 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측하는 과정을 살펴본다.

우선, 비콘 태그(30)가 입·출항하는 선박(10)의 선박 정보를 제공할 경우, 스마트 항만 서버(60)는 현재 선박 입·출항량을 바로 파악할 수 있다. 또한 항내를 이용하는 선박에는 재적어선과 외래어선이 있는데 이중 재적어선(항을 이용하는 어선)의 경우 입항날자와 출항날자를 통하여 항차일수도 파악할 수 있다.

다음으로, 스마트 항만 서버(60)가 구동하는 머신 러닝 모델(80)은 미래의 입·출항 선박의 수량을 예측할 수 있다.

이를 위해, 우선적으로 AI 모델을 선택하거나 생성하고, 이 AI 모델에 대하여 과거 일정 기간의 선박(10)의 입·출항 수량 데이터를 통해 과거 일정 기간보다 이후인 소정 시점에서의 선박 입·출항 수량을 예측하는 학습을 반복적으로 수행할 수 있다.

예를 들어, 도 3 에 나타난 바와 같이, 2000년부터 2005년까지의 1월달 선박 입항 수량 정보와 2006년 1월달 선박 입항 수량 정보는 이미 수집된 정보이다.

AI 모델에 2000년부터 2005년까지의 1월달 선박 입항 수량 정보를 입력하여 2006년 1월달 선박 입항 수량을 예측할 수 있고, 이 예측치는 실제 2006년 1월달 선박 입항 수량 정보와 비교될 수 있다.

이러한 학습 과정을 반복하여 실제치와 일치하거나 근접한 예측을 하는 최적의 AI 모델을 생성하고, 이 최적의 AI 모델이 바로 머신 러닝 모델(80)일 수 있다.

이렇게 학습을 통해 도출된 머신 러닝 모델(80)은 비콘 서버로부터 입·출항 선박의 수량 정보를 수신한 후에 원하는 미래 시점에서의 입·출항 선박 수량을 예측할 수 있다.

한편, 머신 러닝 모델을 도출하기 위한 AI 모델의 학습 과정에 있어서 학습 데이터의 범위 및 종류는 다양하게 선택될 수 있으며, 다양한 조건 하에 반복적으로 학습을 수행하여 최적의 머신 러닝 모델이 도출될 수 있다.

또는, 도 4 에서 보듯이, AI 모델은 선박 정보뿐만 아니라 관련 기관 서버로부터 국내 항만 정책 변화, 주변 지역의 정세 변화, 기후 변화를 포함하는 변수 데이터를 추가적으로 수신한 후, 선박 정보 및 변수 데이터로 학습을 수행할 수 있다.

이후, 학습 결과 생성된 머신 러닝 모델(80)은 선박 정보 및 변수 데이터를 입력받아 입·출항 선박의 수량을 예측할 수 있다.

이와 관련하여, 항만 정책에 따라 특정 항만에서의 입·출항 선박의 수량이 변할 수 있고, 주변 지역의 정세 변화와 기후 변화에 따라 선박(10)의 항만 이용률에 변화가 생길 수 있다.

따라서, 머신 러닝 모델(80)이 입·출항 선박의 수량을 예측하기 위해 선박 정보 이외에 국내 항만 정책 변화, 주변 지역의 정세 변화 및 기후 변화를 활용함으로서 예측의 정확성을 높일 수 있다.

다음으로, 스마트 항만 서버(60)는 머신 러닝 모델(80)을 이용하여 내항의 오염도를 예측할 수 있다.

이를 위해, 우선적으로 AI 모델을 선택하거나 생성하고, 이 AI 모델에 대하여 과거 일정 기간의 수질 측정치를 통해 과거 일정 기간보다 이후인 소정 시점에서의 수질을 예측하는 학습을 반복적으로 수행할 수 있다.

예를 들어, 도 6 에 나타난 바와 같이, 2000년도 수질 측정치와 2001년 1월달 수질 측정치는 이미 수집된 정보이다.

AI 모델에 2000년도 수질 측정치 정보를 입력하여 2001년 1월달 수질을 예측할 수 있고, 이 예측치는 실제 2001년 1월달 수질 측정치와 비교될 수 있다.

이렇게 학습을 통해 도출된 머신 러닝 모델(80)은 수질 측정 센서(90)로부터 내항의 수질 정보를 수신한 후에 원하는 미래 시점에서의 내항의 수질을 예측할 수 있다.

마찬가지로, AI 모델은 방사능 측정 센서(100)로부터 과거 일정 기간의 방사능 측정치를 제공받아 과거 일정 기간보다 이후인 소정 시점에서의 내항의 방사능 측정치를 예측하는 학습을 반복적으로 수행할 수 있다.

이렇게 학습을 통해 도출된 머신 러닝 모델(80)은 방사능 측정 센서(100)로부터 내항의 방사능 측정치를 수신한 후에 원하는 미래 시점에서의 방사능 수치를 예측할 수 있다.

즉, 머신 러닝 모델(80)은 수질 측정 센서(90)로부터 수신한 수질 측정치 및 방사능 측정 센서(100)로부터 수신한 방사능 수치를 이용하여 내항의 오염도를 예측할 수 있다.

추가적으로, 도 7 에 도시된 바와 같이, 머신 러닝 모델(80)은 수질 측정치 및 방사능 수치 이외에 비콘 태그(30)로부터 수신한 선박 정보를 이용하여 내항의 오염도를 예측할 수 있다.

이와 관련하여, 항만에 입항하는 선박(10)의 수량이 많을수록 내항의 오염도가 증가할 확률이 높아진다. 따라서, 머신 러닝 모델(80)은 내항의 오염도를 예측하기 위해 수질 측정치 및 방사능 수치 이외에 선박 정보를 이용함으로써 내항의 오염도에 대한 예측의 정확성을 높일 수 있다.

아울러, 내항의 오염도가 심각하거나 심각할 것으로 예측될 경우에는 외해와 내해를 교환하는 해수교환시설(예를 들어, 방파제 일부를 개방하여 외해와 내해를 교환함)을 가동하여 내항의 오염도를 낮출 수 있다.

또한, 이러한 예측을 통해 추가적으로 해수교환시설을 설치해야하는지도 판단할 수 있다.

이렇게, 스마트 항만 서버(60)가 머신 러닝 모델(80)을 이용하여 선박 입·출항 수량 및 내항 오염도를 예측함에 따라 자원을 필요한 곳에 적절하게 사용할 수 있으며, 항만 관리의 효율을 높일 수 있다.

이와 같이, 본 발명은 스마트 항만 관리 시스템을 구축하여 자동으로 입·출항 관리를 수행할 수 있으며, 선박 척수 추정에 따른 톤급별 대형화 증감추세와 선박 척수 증감 추세에 따른 부두시설(접안시설) 개발의 지표로 사용할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

10: 선박 20: 등대
30: 비콘 태그 40: 중계 통신 기기
50: 비콘 수신기 60: 스마트 항만 서버
70: 입·출항 관리 서버 80: 머신 러닝 모델
90: 수질 측정 센서 100: 방사능 측정 센서

Claims

AI(Artificial Intelligence)를 기반으로 항만 관리를 수행하는 스마트 항만 관리 시스템으로서,
선박에 설치되며 선박 정보가 저장된 정보 저장 태그;
상기 정보 저장 태그가 발신하는 상기 선박 정보를 수신하는 정보 수신기; 및
상기 정보 수신기로부터 수신한 상기 선박 정보를 활용하여 현재 입·출항 선박의 수량을 파악하고 미래 입·출항 선박의 수량을 예측하는 머신 러닝 모델(Machine Learning Model)을 구동시키는 스마트 항만 서버를 포함하고,
선박의 입·출항 신고 내역을 관리하고 상기 입·출항 신고 내역을 상기 스마트 항만 서버에 제공하는 입·출항 관리 서버를 더 포함하고,
상기 스마트 항만 서버는 상기 선박 정보와 상기 입·출항 신고 내역을 비교하여 통신의 장애로 인해 발생한 선박 입·출항량의 누락 사항을 파악하고,
상기 머신 러닝 모델은 상기 누락 사항을 고려하여 선박 입·출항량을 예측하는 것이고,
상기 머신 러닝 모델은, 상기 선박 정보 이외에 추가적으로 국내 항만 정책 변화, 주변 지역의 정세 변화 및 기후 변화를 포함하는 변수 데이터를 활용하여 입·출항 선박의 수량을 예측하는 것이고,
상기 선박에 위치하며, 상기 정보 저장 태그가 송신하는 상기 선박 정보를 수신하여 상기 정보 수신기에 제공하는 중계 통신 기기를 더 포함하고,
내항의 수질을 측정하는 수질 측정 센서; 및
상기 내항의 방사능 수치를 측정하는 방사능 측정 센서를 더 포함하고,
상기 머신 러닝 모델은, 상기 수질 측정 센서로부터 수신한 수질 측정치 및 상기 방사능 측정 센서로부터 수신한 방사능 수치를 이용하여 상기 내항의 오염도를 예측하는 것이고,
상기 머신 러닝 모델은, 상기 수질 측정치 및 상기 방사능 수치 이외에 추가적으로 상기 선박 정보를 이용하여 상기 내항의 오염도를 예측하는 것이고,
상기 정보 저장 태그는 비콘 태그이고,
상기 비콘 태그는 블루투스4.0(BLE) 프로토콜 기반의 근거리 무선통신 장치이고,
상기 정보 수신기는 비콘 수신기인 것인 스마트 항만 관리 시스템.
삭제
삭제
삭제
삭제
삭제
삭제