KR102195378B1 - 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 - Google Patents
컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR102195378B1 KR102195378B1 KR1020190020696A KR20190020696A KR102195378B1 KR 102195378 B1 KR102195378 B1 KR 102195378B1 KR 1020190020696 A KR1020190020696 A KR 1020190020696A KR 20190020696 A KR20190020696 A KR 20190020696A KR 102195378 B1 KR102195378 B1 KR 102195378B1
- Authority
- KR
- South Korea
- Prior art keywords
- ship
- ship traffic
- data
- information
- traffic flow
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
선박 교통 밀도 예측 방법 및 장치가 개시된다. 선박 교통 밀도 예측 방법은 선박 자동 식별 장치로부터 수신한 항적 데이터를 전처리하는 단계, 해당 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성하는 단계, 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시키는 단계 및 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측하는 단계를 포함한다.
Description
아래 실시예들은 컨볼루션 신경망 기반의 선박 교통 밀도 예측 기술에 관한 것이다.
선박 교통 상황에서는 육상의 도로 교통처럼 중앙 분리선이나 교통 신호등이 없어, 선박간 교신이나 해상교통 관제센터의 안전 정보에 의존하여 선박 교통 주의 구역에서의 항해가 이루어 진다. 여기서, 선박 교통 주의 구역은, 예를 들어 3개 이상의 항로가 통합 또는 분리되는 교차 지점을 포함한 구역으로, 선박들의 통항이 밀집되어 선박 항해 또는 선박 교통 관제에 주의가 요구되는 구역을 의미한다.
기존의 선박 교통 주의 구역에서의 선박 교통류 예측 방법은 선박의 현재 위치에서 침로와 속도를 기준으로 위치를 예측하였다. 이 방법은 짧은 시간동안 선박 교통류를 예측하는 것은 가능하나, 중/장기간 예측에 대한 예측 결과는 정확도가 낮다는 한계를 가지고 있다. 그 이유는 항만 구역에서 선박은 충돌 회피, 입항 스케쥴 지연, 도선사 승하선, 항내 작업 상황 등으로 수시로 속력 또는 침로를 변경하기 때문이다.
또한, 기존의 선박 교통 주의 구역에서의 선박 교통류 예측 방법에서는 항로 변경, 항법 규정 수정 등 향후 선박 통행에 영향을 미치는 요소의 반영이 어렵고, 모델을 개발한 대상 구역에만 적용이 가능하다는 추가적인 한계가 있다. 따라서, 이와 같은 한계점들을 극복하여, 선박 교통 주의 구역에서의 선박 교통류를 효과적으로 예측하는 방법에 대한 연구가 필요한 실정이다.
일 실시예에 따른 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법은, 선박 자동 식별 장치(automatic identification system; AIS)로부터 수신한 항적 데이터를 전처리하는 단계; 상기 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성하는 단계; 상기 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시키는 단계; 및 상기 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측하는 단계를 포함할 수 있다.
상기 항적 데이터를 전처리하는 단계는, 상기 선박 자동 식별 장치로부터 수신한 항적 데이터를 특정 시점을 기준으로 동기화하는 단계; 및 상기 동기화된 항적 데이터를 복수의 그리드(grid) 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하는 단계를 포함할 수 있다.
상기 선박 교통 상황 데이터를 생성하는 단계는, 상기 항적 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하는 단계; 및 상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는 단계를 포함할 수 있다.
상기 선박 관련 정보는, 각 선박의 위치에 대응하는 좌표 정보, 상기 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 상기 선박의 종류 정보 및 도선사의 승하선 정보를 포함할 수 있다.
상기 선박 교통류 예측 모델을 학습시키는 단계는, 상기 학습 데이터에 포함된 선박 이동 정보 및 선박 특성 정보에 기초하여 상기 선박 교통류 예측 모델을 학습시키는 단계를 포함할 수 있다.
상기 주의 구역에서의 선박 교통류를 예측하는 단계는, 상기 선박 교통 상황 이미지 데이터를 전처리하는 단계; 상기 전처리된 선박 교통 상황 이미지 데이터를 기초로 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하는 단계; 및 상기 선박 교통류 예측을 위한 선박 교통 상황 이미지 데이터를 상기 학습된 선박 교통류 예측 모델에 적용하여 상기 선박 교통류를 예측하는 단계를 포함할 수 있다.
상기 선박 교통 상황 이미지 데이터를 전처리하는 단계는, 상기 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하는 단계를 포함하고, 상기 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하는 단계는, 상기 선박 교통 상황 이미지 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하는 단계; 및 상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는 단계를 포함할 수 있다.
일 실시예에 따른, 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법은, 메모리 및 프로세서를 포함하고, 상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들(instructions)을 저장하고, 상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는, 선박 자동 식별 장치(automatic identification system; AIS)로부터 수신한 항적 데이터를 전처리하고, 상기 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성하고, 상기 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시키고, 상기 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측할 수 있다.
상기 프로세서는, 상기 선박 자동 식별 장치로부터 수신한 항적 데이터를 특정 시점을 기준으로 동기화하고, 상기 동기화된 항적 데이터를 복수의 그리드(grid) 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당할 수 있다.
상기 프로세서는, 상기 항적 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하고, 상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩할 수 있다.
상기 프로세서는, 상기 학습 데이터에 포함된 선박 이동 정보 및 선박 특성 정보에 기초하여 상기 선박 교통류 예측 모델을 학습시킬 수 있다.
상기 프로세서는, 상기 선박 교통 상황 이미지 데이터를 전처리하고, 상기 전처리된 선박 교통 상황 이미지 데이터를 기초로 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하고, 상기 선박 교통류 예측을 위한 선박 교통 상황 이미지 데이터를 상기 학습된 선박 교통류 예측 모델에 적용하여 상기 선박 교통류를 예측할 수 있다.
상기 프로세서는, 상기 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하고, 상기 선박 교통 상황 이미지 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하고, 상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩할 수 있다.
일 실시예에 따르면, 선박 교통 밀도 예측 장치를 통해 미리 주의 구역의 교통 밀도를 예측함으로써, 미리 선박의 충돌 상황을 예방하기 위한 적극적인 사전 조치 가능하다. 이를 통해 해양사고 및 선박 인명 사고 방지가 가능하고, 해양 환경에 기여할 수 있다.
일 실시예에 따르면, 선박 교통 밀도 예측 장치를 통해 미리 주의 구역의 교통 밀도를 예측함으로써, 해상 교통 관제에 있어 주의 구역에서의 선박 교통류 예측이 가능하여, 사전에 선박의 속도를 감속시키거나 선박에게 우회 항로를 제공하는 등의 신속한 조치를 취하는 것이 가능해 진다.
도 1은 일 실시예에 따른 선박 교통 밀도 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 2는 일 실시예에 따른 선박 교통 밀도 예측 방법의 동작에 필요한 장치와 데이터의 구성을 도시하는 도면이다.
도 3은 일 실시예에 따른 항적 데이터를 기초로 한 선박 교통 상황 데이터의 일례를 도시하는 도면이다.
도 4는 일 실시예에 따른 선박 교통류 예측 모델을 학습시키기 위한 학습 방법의 일례를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 선박 교통류 예측 모델의 동작 방법의 일례를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 선박 교통 밀도 예측 장치의 구성을 도시하는 도면이다.
도 2는 일 실시예에 따른 선박 교통 밀도 예측 방법의 동작에 필요한 장치와 데이터의 구성을 도시하는 도면이다.
도 3은 일 실시예에 따른 항적 데이터를 기초로 한 선박 교통 상황 데이터의 일례를 도시하는 도면이다.
도 4는 일 실시예에 따른 선박 교통류 예측 모델을 학습시키기 위한 학습 방법의 일례를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 선박 교통류 예측 모델의 동작 방법의 일례를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 선박 교통 밀도 예측 장치의 구성을 도시하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 선박 교통 밀도 예측 방법의 동작을 설명하기 위한 흐름도이다. 선박 교통 밀도 예측 방법은 본 명세서에서 설명되는 선박 교통 밀도 예측 장치에 의해 수행될 수 있다.
도1을 참조하면, 단계(110)에서 선박 교통 밀도 예측 장치는, 선박 자동 식별 장치(automatic identification system; AIS)로부터 수신한 항적 데이터를 전처리할 수 있다.
일 실시예에 따르면, 항적 데이터를 전처리하는 과정에서 선박 교통 밀도 예측 장치는 선박 자동 식별 장치로부터 수신한 항적 데이터를 특정 시점을 기준으로 동기화할 수 있고, 동기화된 항적 데이터를 복수의 그리드(grid) 영역들로 구분하여, 구분된 각 그리드 영역들에 좌표를 할당할 수 있다. 여기서, 그리드는, 예를 들어 해역을 경도 및 위도를 기준으로 동일한 크기의 MＸN 구조로 분할될 수 있다. 또한 각각의 그리드는 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보가 투영될 수 있다. 그리드의 크기는 주변 안전 공간을 가진 하나의 대형 선박만을 수용할 수 있도록 하며, 한 척의 배가 그리드 셀 하나에 위치할 수 있다.
단계(120)에서, 선박 교통 밀도 예측 장치는 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성할 수 있다.
일 실시예에서, 선박 교통 밀도 예측 장치는 항적 데이터에 나타난 각 선박들의 위치를 그리드 영역들에 투영하고, 그리드 영역들에 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하여 선박 교통 상황 데이터를 생성할 수 있다.
여기서, 선박 교통 상황 데이터는 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하여 생성할 수 있다. 또한, 선박 관련 정보는 각 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보를 포함할 수 있다. 여기서, 주의 구역은, 예를 들어 3개 이상의 항로가 통합 또는 분리되는 교차 지점을 포함한 구역으로, 선박들이 통행이 몰리어 선박 항해 또는 교통 관제에 주의가 요구되는 구역을 의미한다. 선박의 종류 정보는 화물선, 유조선 및 기타 선박이 될 수 있다.
단계(130)에서, 선박 교통 밀도 예측 장치는 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시킬 수 있다.
일 실시예에서, 선박 교통 밀도 예측 장치는, 학습 데이터에 포함된 선박 이동 정보 및 선박 특성 정보에 기초하여 선박 교통류 예측 모델을 학습시킬 수 있다. 본 발명에서 선박 교통류 예측 모델을 학습시키는 과정에서 딥러닝(Deep Learning)의 종류인 컨볼루션 신경망(Convolutional Neural Network, CNN) 등의 방법이 활용될 수 있다.
예를 들어, 선박 교통 밀도 예측 장치는 학습 데이터 중에서, 00시 00분을 기준으로 한 선박 교통 상황 데이터를 선박 교통류 예측 모델의 입력값으로 입력하여, 00시 30분에 대응하는 선박 교통 상황 데이터의 예측값을 출력할 수 있다. 여기서 출력된 00시 30분의 선박 교통 상황 데이터를 실제 00시 30분을 기준으로 한 선박 교통 상황 데이터와 비교할 수 있다. 선박 교통류 예측 모델이 예측한 00시 30분의 선박 교통 상황 데이터의 예측 값과 실제 00시 30분을 기준으로 한 선박 교통 상황 데이터의 차이를 줄여가는 기계 학습 과정을 통해 선박 교통 밀도 예측 장치는 선박 교통류 예측 모델을 학습시킬 수 있다.
단계(140)에서, 선박 교통 밀도 예측 장치는, 단계(130)에서 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측할 수 있다.
일 실시예에서, 선박 교통 밀도 예측 장치는 주의 구역에서의 선박 교통류를 예측하기 위해 입력 값으로 입력될 선박 교통 상황 이미지 데이터를 전처리할 수 있다. 선박 교통 밀도 예측 장치는 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 구분된 각 그리드 영역들에 좌표를 할당하여 선박 교통 상황 이미지 데이터를 전처리할 수 있다.
위 실시예에서, 선박 교통 밀도 예측 장치는 전처리된 선박 교통 상황 이미지 데이터를 기초로 하여 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성할 수 있다. 선박 교통밀도 예측 장치는 선박 교통 상황 이미지 데이터에 나타난 각 선박들의 위치를 그리드 영역들에 투영하고, 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩함으로써 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성할 수 있다. 선박 교통밀도 예측 장치는, 선박 교통류 예측을 위한 선박 교통 상황 이미지 데이터를 학습된 선박 교통류 예측 모델에 적용하여 상기 선박 교통류를 예측할 수 있다.
실시예들에서 선박 교통류와 선박 교통 밀도는 같은 의미를 가질 수 있다.
이하에서는, 도면들을 참조하여 선박 교통 밀도 예측 방법과 선박 교통 밀도 예측 장치의 동작을 보다 자세히 설명한다.
도 2는 일 실시예에 따른 선박 교통 밀도 예측 방법의 동작에 필요한 장치와 데이터의 구성을 도시하는 도면이다.
도2를 참조하면, 선박 교통 밀도 예측 장치는 선박 자동 식별 장치로부터 수신한 항적 데이터(210)를 항적 데이터 전처리부(220)에서 전처리할 수 있다. 여기서, 선박 자동 식별 장치는, 300톤 이상이고, 승객을 태울 수 있는 선박에서 배의 이동 정보 및 항해 정보를 신호로서 전달할 수 있는 장치를 의미할 수 있다.
일 실시예에서, 항적 데이터(210)는 항적 데이터 전처리부(220)에서, 특정 시점을 기준으로 동기화되어, 복수의 그리드 영역들로 구분될 수 있고, 구분된 각 그리드 영역들에 좌표가 할당될 수 있다. 복수의 그리드 영역은 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보를 포함할 수 있는 총 10개의 영역으로 구성될 수 있다. 선박의 위치에 대응하는 좌표 정보 및 목적지 정보를 포함할 수 있는 영역은 총 2개씩 구성될 수 있고, 선박의 종류 정보를 포함할 수 있는 영역은 총 3개로 구성될 수 있어, 총 10개의 그리드 영역으로 구성될 수 있다.
선박 교통 상황 데이터 생성부(230)는, 항적 데이터 전처리부(220)에서 전처리된 항적 데이터(210)에 기초하여, 선박 교통 데이터를 생성할 수 있다.
선박 교통 상황 데이터 생성부(230)는 항적 데이터에 나타난 선박 관련 정보를 그리드 영역들에 투영할 수 있고, 투영된 결과에 각 선박들의 정보를 인코딩하여 선박 교통 데이터를 생성할 수 있다. 여기서, 선박 관련 정보는 각 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보가 포함될 수 있다.
선박 교통류 예측 모델 학습부(250)는, 선박 교통 상황 데이터 생성부(230)에서 생성된 선박 교통 상황 데이터를 학습 데이터(240)로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시킬 수 있다. 학습 데이터(240)에는 선박 이동 정보 및 선박 특성 정보가 포함될 수 있다.
학습된 주의 구역 선박 교통류 예측부(260)는 주의 구역에서의 선박의 교통류를 예측할 수 있다. 주의 구역 선박 교통류 예측부(260)가 주의 구역에서의 선박의 교통류를 예측하기 위해서는 전처리된 선박 교통 상황 데이터를 기초로 생성된 선박 교통류 예측을 위한 선박 교통 상황 데이터가 입력되어야 하는 경우가 있다. 주의 구역 선박 교통류 예측부(260)는 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 구분된 각 그리드 영역들에 좌표를 할당하여 선박 교통 상황 이미지 데이터를 전처리할 수 있다. 주의 구역 선박 교통류 예측부(260)는 전처리된 선박 교통 상황 이미지 데이터에 기초하여 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성할 수 있다. 주의 구역 선박 교통류 예측부(260)는 선박 교통 상황 데이터를 선박 교통류 예측 모델에 적용하여 주의 구역의 선박 교통류를 예측할 수 있다.
도 3은 일 실시예에 따른 항적 데이터를 기초로 한 선박 교통 상황 데이터의 일례를 도시하는 도면이다.
도 3을 참조하면, 항적 데이터(310)를 전처리하는 과정에서 좌표를 할당 받은 복수의 그리드 영역들은 해역을 경도 및 위도를 기준으로 동일한 크기의 M*N 구조로 분할될 수 있고, 복수의 그리드 영역들에는 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보가 투영될 수 있는 10개의 영역들이 포함될 수 있다. 선박 교통 밀도 예측 장치는 전처리된 항적 데이터(310)에 기초하여 선박 교통 상황 데이터(320)를 생성할 수 있다. 선박 교통 상황 데이터(320)는 선박 교통류 예측 모델을 학습시키기 위한 학습 데이터로 활용될 수 있다.
또한, 선박 교통 상황 데이터(320)는 선박의 위치에 대응하는 좌표 정보가 투영된 2개의 그리드 영역들을 의미하는 “Movement channels(2)”선박의 길이 정보가 투영된 하나의 그리드 영역을 의미하는 “Length channel(1), 주의 구역 도착 예정 시각 정보가 투영된 하나의 그리드 영역을 의미하는 “CAETA channel(1)”목적지 정보가 투영된 2개의 그리드 영역들을 의미하는 “Destination channels(2)”도선사의 승하선 정보가 투영된 하나의 그리드 영역들을 의미하는 “POB channel(1)”및 선박의 종류 정보가 투영된 3개의 그리드 영역들을 의미하는 “Type channels(3)”를 포함할 수 있다.
일 실시예에서, 항구에 어떤 시점에서 n척의 배가 있다고 가정하였을 때, 선박에 대한 정보 집합 
는 다음과 같이 표현될 수 있다.
표현될 수 있고, 여기서 
는 시점 t의 i번째 배에 대한 모든 정보를 나타낼 수 있다. 
의 경우, 2차원 배열의 위치 지수 
는 그 위치
를 그리드 셀 위치와 비교하여 인코딩될 수 있다. 선박의 정보는 지수와 함께 선박의 정보에 대응하는 그리드 셀에 저장될 수 있다.
선박의 위치에 대응하는 좌표 정보가 투영된 그리드 영역은 두 개의 구성 요소로 이루어진 선박의 위치를 나타낼 수 있다. 첫 번째 그리드 영역은 x축의 벡터 구성요소 
를 포함하며, 두 번째 그리드 영역은 y축의 벡터 구성요소 
를 포함할 수 있다. 따라서 선박의 위치에 대응하는 좌표 정보가 투영된 그리드 영역은 채널이 2개인 2차원 배열 M*N*2로 표현될 수 있다. 또한, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보 및 도선사의 승하선 정보는 하나의 값으로 표현될 수 있다. 따라서 선박의 길이 정보, 주의 구역 도착 예정 시각 정보 및 도선사의 승하선 정보는 하나의 그리드 영역에 투영될 수 있고, 즉 채널이 1개인 2차원 배열 M*N*1로 표현될 수 있다.
목적지 정보는 선박 위치에서 목적지에 대응하는 좌표까지의 벡터 D로 표시될 수 있다. (
)가 시점 t에서 i번째 선박의 목적지의 좌표를 나타낸다고 가정하였을 때, D는 다음과 같이 표현될 수 있다.
목적지 정보에 대응하는 그리드 영역은 2개로 구성될 수 있으며, 그 중 하나는 x축의 벡터 구성요소를 나타내고, 다른 하나는 y축의 벡터 구성요소를 나타낼 수 있다.
선박 교통 밀도 예측 장치는 선박의 종류를 화물선, 유조선 및 기타 선박으로 분류할 수 있다. 선박 종류는 3개의 채널로 One-hot 인코딩 방식에 따라 화물선은 첫번째 채널을 1로 하고 나머지 채널은 0로 구성하며, 유조선은 두번째 채널을 1로 하고 나머지 채널은 0로 구성한다. 기타선은 세번째 채널을 1로 하고 나머지 채널을 0으로 구성한다. 따라서, 선박의 종류 정보는 3개의 그리드 영역들에 투영되어 채널이 2개인 2차원 배열 M*N*3 로 인코딩될 수 있다. 각 그리드 채널 영역은 한 종류의 선박에 해당할 수 있다.
도 4는 일 실시예에 따른 선박 교통류 예측 모델을 학습시키기 위한 학습 방법의 일례를 설명하기 위한 도면이다.
도4를 참조하면, 선박 교통류 예측 모델을 학습시키는 과정에서 입력값으로 이용될 수 있는 학습 데이터(410)를 통해 30분 후의 선박 교통류의 값을 출력시킬 수 있다. 여기서 출력된 30분 후의 선박 교통류의 값과 학습 데이터에 포함된 30분 후의 선박 교통류에 대응하는 값(420)을 비교할 수 있다. 선박 교통류 예측 모델은 예측 모델이 출력한 30분 후의 선박 교통류의 값과 학습 데이터에 포함된 30분 후의 선박 교통류에 대응하는 값(420)의 차이를 줄일 수 있도록 파라미터를 조정하는 학습 과정을 통해 더욱 정확한 예측이 가능한 선박 교통류 예측 모델을 학습시킬 수 있다. 선박 교통류 예측 모델이 예측한 값과 실제 값의 차이를 줄이는 과정은 기계 학습 중에서도 딥러닝의 종류인 컨볼루션 신경망(CNN) 등을 통해 이루어질 수 있다.
일 실시예에서, 선박 교통류 예측 모델을 학습시키는 과정에서 입력값으로 이용될 수 있는 학습 데이터(410)에는 00시 00분에 대응하는 선박 교통 상황 데이터가 반영된 이미지 1과 00시 00분에 대응하는 교통류를 의미하는 레이블 1, 00시 10분에 대응하는 선박 교통 상황 데이터가 반영된 이미지 2와 00시 10분에 대응하는 교통류를 의미하는 레이블 2, 00시 20분에 대응하는 선박 교통 상황 데이터가 반영된 이미지 3과 00시 20분에 대응하는 교통류를 의미하는 레이블 3, 00시 30분에 대응하는 선박 교통 상황 데이터가 반영된 이미지 4와 00시 30분에 대응하는 교통류를 의미하는 레이블 4 및 00시 40분에 대응하는 선박 교통 상황 데이터가 반영된 이미지 5와 00시 40분에 대응하는 교통류를 의미하는 레이블 5 등이 포함될 수 있다.
예를 들어, 00시 00분을 기준으로, 30분 후인 00시 30분에 대응하는 주의 구역의 교통류를 예측하고자 할 때, 도4와 같이 00시 00분의 선박 교통 상황 데이터가 반영된 이미지 1과 00시 00분에 대응하는 교통류를 의미하는 레이블 1을 통해 학습이 되지 않은 선박 교통류 예측 모델은 00시 30분에 대응하는 주의 구역의 교통류를 예측할 수 있다. 학습이 되지 않은 선박 교통류 예측 모델이 예측한 00시 30분의 주의 구역 교통류와 00시 30분에 대응하는 교통류를 의미하는 레이블 4의 차이를 줄여가는 과정을 통해 선박 교통류 예측 모델을 학습시킬 수 있다. 따라서, 이미지 1, 레이블 1 및 레이블 4는 선박 교통류 예측 모델이 00시 00분의 선박 교통 상황 데이터와 주의 구역의 교통류를 통해 00시 30분의 주의 구역의 교통류를 예측할 수 있도록 학습시킬 수 있는 학습 데이터 세트가 될 수 있다.
도 5는 일 실시예에 따른 선박 교통류 예측 모델의 동작 방법의 일례를 설명하기 위한 도면이다.
도 5를 참조하면, 선박의 움직임 벡터에 기초하여 선박의 이동 정보 추출 모듈(510)은 컨볼루션 신경망을 통해 선박의 이동 정보를 추출할 수 있고, 선박 관련 정보 추출 모듈(520)은 완전 연결 신경망(Fully-connected neural network)을 통해 주의 구역과 관련된 각 선박의 특성 정보를 추출할 수 있다.
선박 관련 정보 추출 모듈(520)은 선박의 주의 구역 도착 예정 시간 정보(Caution Area ETA), 선박의 길이 정보(Ship Length), 선박의 목적지 정보(Ship Destination), 도선사의 승하선 정보(Pilot Embarkation) 및 선박의 종류 정보(Ship Type)가 투영된 그리드 영역에 대한 정보를 포함하는 선박 관련 정보를 추출할 수 있다. 예측 모델(530)은 선박의 이동 정보 추출 모듈(510)과 선박 관련 정보 추출 모듈(520)에서 추출된 정보들은 종합되어 완전 연결 신경망에 입력되어 미리 정해진 시간 이후의 주의 구역에서의 선박 교통류의 예측 값이 출력될 수 있다.
도 6은 일 실시예에 따른 선박 교통 밀도 예측 장치의 구성을 도시하는 도면이다.
도 6을 참조하면, 선박 교통 밀도 예측 장치(600)는 통신 인터페이스(610), 프로세서(620) 및 메모리(630)를 포함할 수 있다. 실시예에 따라, 선박 교통 밀도 예측 장치(600)는 데이터베이스(640)를 더 포함할 수도 있다. 선박 교통 밀도 예측 장치(600)는 본 명세서에서 설명된 선박 교통 밀도 예측 장치에 대응할 수 있다.
메모리(630)는 프로세서(620)에 연결되고, 프로세서(620)에 의해 실행가능한 인스트럭션들, 프로세서(620)가 연산할 데이터 또는 프로세서(620)에 의해 처리된 데이터를 저장할 수 있다. 메모리(630)는, 예를 들어 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.
통신 인터페이스(610)는 외부 장치와 통신하기 위한 인터페이스를 제공한다. 통신 인터페이스(610)는 유선 또는 무선 네트워크를 통해 외부 장치와 통신할 수 있다.
데이터베이스(640)는 선박 교통 밀도 예측 장치(600)가 동작하는데 필요한 데이터를 저장할 수 있다. 예를 들어, 데이터베이스(640)는 선박 교통류 예측 모델이 정확한 예측을 할 수 있도록 학습되는 과정에서 신경망에 설정된 파라미터 등을 포함할 수 있다.
프로세서(620)는 선박 교통 밀도 예측 장치(600) 내에서 실행하기 위한 기능 및 인스트럭션들을 실행하고, 선박 교통 밀도 예측 장치(600)의 전체적인 동작을 제어한다. 프로세서(620)는 도 1 내지 도 5에서 설명된 선박 교통 밀도 예측 장치의 동작과 관련된 하나 이상의 동작을 수행할 수 있다.
예를 들어, 프로세서(620)는 선박 자동 식별 장치로부터 수신한 항적 데이터를 전처리할 수 있고, 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성할 수 있다. 또한, 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시킬 수 있고, 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
220: 항적 데이터 전처리부
230: 선박 교통상황 데이터 생성부
250: 선박 교통류 예측모델 학습부
260: 주의 구역 선박 교통류 예측부
600: 선박 교통 밀도 예측 장치
610: 통신 인터페이스 620: 프로세서
630: 메모리 640: 데이터베이스
230: 선박 교통상황 데이터 생성부
250: 선박 교통류 예측모델 학습부
260: 주의 구역 선박 교통류 예측부
600: 선박 교통 밀도 예측 장치
610: 통신 인터페이스 620: 프로세서
630: 메모리 640: 데이터베이스
Claims (13)
- 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법에 있어서,
선박 자동 식별 장치(automatic identification system; AIS)로부터 수신한 항적 데이터를 전처리하는 단계;
상기 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성하는 단계;
상기 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시키는 단계; 및
상기 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측하는 단계
를 포함하고,
상기 항적 데이터를 전처리하는 단계는,
상기 선박 자동 식별 장치로부터 수신한 항적 데이터를 특정 시점을 기준으로 동기화하는 단계; 및
상기 동기화된 항적 데이터를 복수의 그리드(grid) 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하는 단계를 포함하고,
상기 복수의 그리드 영역들의 각각은, 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보를 포함하는 복수의 영역으로 구성되는,
선박 교통 밀도 예측 방법. - 삭제
- 제1항에 있어서,
상기 선박 교통 상황 데이터를 생성하는 단계는,
상기 항적 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하는 단계; 및
상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는 단계
를 포함하는,
선박 교통 밀도 예측 방법. - 제3항에 있어서,
상기 선박 관련 정보는,
각 선박의 위치에 대응하는 좌표 정보, 상기 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 상기 선박의 종류 정보 및 도선사의 승하선 정보를 포함하는,
선박 교통 밀도 예측 방법. - 제1항에 있어서,
상기 선박 교통류 예측 모델을 학습시키는 단계는,
상기 학습 데이터에 포함된 선박 이동 정보 및 선박 특성 정보에 기초하여 상기 선박 교통류 예측 모델을 학습시키는 단계
를 포함하는,
선박 교통 밀도 예측 방법. - 제1항에 있어서,
상기 주의 구역에서의 선박 교통류를 예측하는 단계는,
상기 선박 교통 상황 이미지 데이터를 전처리하는 단계;
상기 전처리된 선박 교통 상황 이미지 데이터를 기초로 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하는 단계; 및
상기 선박 교통류 예측을 위한 선박 교통 상황 이미지 데이터를 상기 학습된 선박 교통류 예측 모델에 적용하여 상기 선박 교통류를 예측하는 단계
를 포함하는,
선박 교통 밀도 예측 방법. - 제6항에 있어서,
상기 선박 교통 상황 이미지 데이터를 전처리하는 단계는,
상기 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하는 단계를 포함하고,
상기 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하는 단계는,
상기 선박 교통 상황 이미지 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하는 단계; 및
상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는 단계
를 포함하는,
선박 교통 밀도 예측 방법. - 컨볼루션 신경망 기반의 선박 교통 밀도 예측 장치에 있어서,
메모리 및 프로세서를 포함하고,
상기 메모리는 상기 프로세서에 의해 실행 가능한 인스트럭션들(instructions)을 저장하고,
상기 인스트럭션들이 상기 프로세서에 의해 실행될 때, 상기 프로세서는,
선박 자동 식별 장치(automatic identification system; AIS)로부터 수신한 항적 데이터를 전처리하고,
상기 전처리된 항적 데이터에 기초하여 선박 교통 상황 데이터를 생성하고,
상기 생성된 선박 교통 상황 데이터를 학습 데이터로 이용하여 주의 구역에서의 선박 교통 밀도를 예측하기 위한 선박 교통류 예측 모델을 학습시키고,
상기 학습된 선박 교통류 예측 모델에 선박 교통 상황 이미지 데이터를 적용하여 주의 구역에서의 선박 교통류를 예측하고,
상기 프로세서는, 상기 선박 자동 식별 장치로부터 수신한 항적 데이터를 특정 시점을 기준으로 동기화하고, 상기 동기화된 항적 데이터를 복수의 그리드(grid) 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하고,
상기 복수의 그리드 영역들의 각각은, 선박의 위치에 대응하는 좌표 정보, 선박의 길이 정보, 주의 구역 도착 예정 시각 정보, 목적지 정보, 선박의 종류 정보 및 도선사의 승하선 정보를 포함하는 복수의 영역으로 구성되는,
선박 교통 밀도 예측 장치. - 삭제
- 제8항에 있어서,
상기 프로세서는,
상기 항적 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하고,
상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는,
선박 교통 밀도 예측 장치. - 제8항에 있어서,
상기 프로세서는,
상기 학습 데이터에 포함된 선박 이동 정보 및 선박 특성 정보에 기초하여 상기 선박 교통류 예측 모델을 학습시키는,
선박 교통 밀도 예측 장치. - 제8항에 있어서,
상기 프로세서는,
상기 선박 교통 상황 이미지 데이터를 전처리하고,
상기 전처리된 선박 교통 상황 이미지 데이터를 기초로 선박 교통류 예측을 위한 선박 교통 상황 데이터를 생성하고,
상기 선박 교통류 예측을 위한 선박 교통 상황 이미지 데이터를 상기 학습된 선박 교통류 예측 모델에 적용하여 상기 선박 교통류를 예측하는,
선박 교통 밀도 예측 장치. - 제12항에 있어서,
상기 프로세서는,
상기 선박 교통 상황 이미지 데이터를 복수의 그리드 영역들로 구분하고, 상기 구분된 각 그리드 영역들에 좌표를 할당하고,
상기 선박 교통 상황 이미지 데이터에 나타난 각 선박들의 위치를 상기 그리드 영역들에 투영하고,
상기 투영된 결과에 각 선박들의 선박 관련 정보를 인코딩하는,
선박 교통 밀도 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190020696A KR102195378B1 (ko) | 2019-02-21 | 2019-02-21 | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190020696A KR102195378B1 (ko) | 2019-02-21 | 2019-02-21 | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200106101A KR20200106101A (ko) | 2020-09-11 |
| KR102195378B1 true KR102195378B1 (ko) | 2020-12-24 |
Family
ID=72472682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190020696A KR102195378B1 (ko) | 2019-02-21 | 2019-02-21 | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102195378B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11814506B2 (en) | 2019-07-02 | 2023-11-14 | Marathon Petroleum Company Lp | Modified asphalts with enhanced rheological properties and associated methods |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329830B (zh) * | 2020-10-27 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| KR102472243B1 (ko) * | 2020-11-11 | 2022-11-30 | 제주대학교 산학협력단 | Ais 데이타를 활용한 항만 내 선박 이안 접안 시간 예측 방법 |
| CN112668532B (zh) * | 2021-01-05 | 2024-08-09 | 重庆大学 | 基于多阶段混合注意网络的人群计数方法 |
| CN113221450B (zh) * | 2021-04-27 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
| KR102466119B1 (ko) * | 2022-02-24 | 2022-11-14 | 한국해양수산개발원 | Ais 정보에 기반한 주요항로 연결망 추출 장치 및 방법 |
| CN114627363B (zh) * | 2022-03-07 | 2024-07-23 | 海南大学 | 一种基于多任务学习的全景海上船舶态势感知方法 |
| KR102429235B1 (ko) * | 2022-04-12 | 2022-08-04 | 한국해양과학기술원 | 해상교통 혼잡도 예측 시스템 및 방법 |
| CN115195957A (zh) * | 2022-07-14 | 2022-10-18 | 武汉翔海海运有限公司 | 一种内河船舶交通流预测装置及预测方法 |
| KR20240126909A (ko) | 2023-02-14 | 2024-08-22 | (주)세이프텍리서치 | KalmanNet을 이용한 해상교통상황 예측 시스템 및 그 방법 |
| CN116978260B (zh) * | 2023-07-21 | 2024-05-10 | 交通运输部规划研究院 | 基于ais船舶标准化的海上交通流态势评估方法 |
| CN116883913B (zh) * | 2023-09-05 | 2023-11-21 | 长江信达软件技术（武汉）有限责任公司 | 一种基于视频流相邻帧的船只识别方法及系统 |
| CN118485907B (zh) * | 2024-07-16 | 2024-10-01 | 贵州道坦坦科技股份有限公司 | 基于计算机视觉的船舶流量预测方法及计算机系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003288698A (ja) | 2002-03-27 | 2003-10-10 | Mitsui Eng & Shipbuild Co Ltd | 周辺船舶情報統合方法および装置 |
| KR101541808B1 (ko) * | 2015-04-30 | 2015-08-04 | 한국해양과학기술원 | 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120063769A (ko) * | 2010-12-08 | 2012-06-18 | 한국전자통신연구원 | 선박 관제 제어 장치 및 그 방법과 선박 관제 장치 및 그 방법 |
| KR102524206B1 (ko) * | 2016-03-03 | 2023-04-24 | 한국전자통신연구원 | 해상 교통 경고 정보 제공 장치 및 방법 |
| KR101900851B1 (ko) * | 2016-07-22 | 2018-11-08 | 목포해양대학교 산학협력단 | 선박 항해 감시장치 및 방법 |
-
2019
- 2019-02-21 KR KR1020190020696A patent/KR102195378B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003288698A (ja) | 2002-03-27 | 2003-10-10 | Mitsui Eng & Shipbuild Co Ltd | 周辺船舶情報統合方法および装置 |
| KR101541808B1 (ko) * | 2015-04-30 | 2015-08-04 | 한국해양과학기술원 | 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11814506B2 (en) | 2019-07-02 | 2023-11-14 | Marathon Petroleum Company Lp | Modified asphalts with enhanced rheological properties and associated methods |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200106101A (ko) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102195378B1 (ko) | 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치 | |
| KR102133342B1 (ko) | 차량의 주변 지도 이미지를 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치 | |
| CN105890622B (zh) | 生成包括着陆改道符号的导航显示的座舱显示系统和方法 | |
| US9625261B2 (en) | System and method for managing speed constraints during required time of arrival operations | |
| EP3408720B1 (en) | Autonomous operation of a vessel | |
| EP3032518B1 (en) | Aircraft turns for interval managent | |
| CN104376744B (zh) | 用于提供指示所需到达时间的显示的显示系统和方法 | |
| KR20210103550A (ko) | 구역 외 컨텍스트를 사용한 개체 분류 | |
| EP2811477A1 (en) | System and method for routing decisions in a separation management system | |
| US10593219B2 (en) | Automated air traffic communications | |
| Hong et al. | Dynamic robust sequencing and scheduling under uncertainty for the point merge system in terminal airspace | |
| Pietrzykowski et al. | The autonomous navigation system of a sea-going vessel | |
| CA3113214C (en) | Radar system device and method for corroborating human reports on high-risk, search & response incidents | |
| CN115407786B (zh) | 一种船舶全航程自动航行决策方法、装置、设备及介质 | |
| KR101388091B1 (ko) | 선박운항 평가 관리 시스템 및 이를 이용한 선박운항 평가관리방법 | |
| Lauderdale et al. | Automated separation assurance with weather and uncertainty | |
| Paielli | Trajectory Specification for Terminal Air Traffic: Conflict Detection and Resolution | |
| Maltsev et al. | Improving the navigational preparation of a bridge crew for entering/leaving a port, including activities in case of emergency | |
| Masri et al. | Leveraging Large Language Models (LLMs) for Traffic Management at Urban Intersections: The Case of Mixed Traffic Scenarios | |
| Paielli | Evaluation of tactical conflict resolution algorithms for enroute airspace | |
| Wu et al. | Visual attention analysis for critical operations in maritime collision avoidance | |
| Konyak et al. | A demonstration of an aircraft intent interchange specification for facilitating trajectory-based operations in the national airspace system | |
| Pietrzykowski et al. | Navigation decision support for sea-going ships in port approach areas | |
| Aarsæther | Modeling and analysis of ship traffic by observation and numerical simulation | |
| Prokaev | Model analysis of maritime search operation using geoinformation technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |