KR102251381B1 - 선박 이동경로 예측장치 및 선박 이동경로 예측방법 - Google Patents

선박 이동경로 예측장치 및 선박 이동경로 예측방법 Download PDF

Info

Publication number
KR102251381B1
KR102251381B1 KR1020190151425A KR20190151425A KR102251381B1 KR 102251381 B1 KR102251381 B1 KR 102251381B1 KR 1020190151425 A KR1020190151425 A KR 1020190151425A KR 20190151425 A KR20190151425 A KR 20190151425A KR 102251381 B1 KR102251381 B1 KR 102251381B1
Authority
KR
South Korea
Prior art keywords
ship
movement
information
candidate list
machine learning
Prior art date
Application number
KR1020190151425A
Other languages
English (en)
Inventor
이창진
강도근
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020190151425A priority Critical patent/KR102251381B1/ko
Application granted granted Critical
Publication of KR102251381B1 publication Critical patent/KR102251381B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63J—AUXILIARIES ON VESSELS
    • B63J99/00—Subject matter not provided for in other groups of this subclass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T70/00—Maritime or waterways transport

Landscapes

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

Abstract

일 실시예에 따른 선박 이동경로 예측장치에 있어서, 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 선박 후보 리스트 생성부와, 상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하고, 상기 선박 후보 리스트를 상기 선박출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 상기 선박 이동경로를 정답으로 하여 기계 학습시키는 기계 학습부와, 실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 실시간 선박 이동경로 예측부와, 상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 적합도 산출부와, 상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 선박 이동경로 예측부를 포함할 수 있다.

Description

선박 이동경로 예측장치 및 선박 이동경로 예측방법{APPARATUS AND METHOD FOR SHIP ROUTE PREDICTION}
본 발명은 선박 이동경로 예측장치 및 선박 이동경로 예측방법에 관한 것이다.
기존에는 선박의 이동경로를 예측하기 위해 현재 선박의 비교적 짧은 기간의 경로 정보만으로 예측하였기 때문에, 장기적이고 반복적인 선박 고유의 이동 정보를 반영하지 못하였다.
한편, 이와 같은 문제점을 해결하기 위해, 레이더나 기타 식별장비로부터 생산되어 전송되는 선박 이동정보를 선박 고유정보와 함께 선박정보저장소에 보관하여 놓은 후, 선박의 장기적 이동 경향을 분석하게 되면 기존보다 이동경로 예측 확률을 높일 수 있으나, 특정 구역 정보에 선박 이동경로를 파악하기 위해 수집되는 수많은 선박 이동정보를 개별적으로 분석하는 것은 상당히 비효율적이었다.
따라서, 효율적으로 선박 이동경로를 예측하고, 선박 이동경로 예측에 정확도를 높일 수 있는 기술이 필요한 실정이다.
한국등록특허공보, 10-1103455호 (2011.12.30. 등록)
본 발명의 해결하고자 하는 과제는, 선박 이동경로 예측장치 및 선박 이동경로 예측방법을 제공하는 것이다.
또한, 이러한 장치 및 방법을 통해 선박 이동경로 예측 정확도를 증가시키고, 효율적으로 선박 이동경로를 예측하는 것 등이 본 발명의 해결하고자 하는 과제에 포함될 수 있다.
다만, 본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 선박 이동경로 예측장치는, 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 선박 후보 리스트 생성부와, 상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하고, 상기 선박 후보 리스트를 상기 선박출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 상기 선박 이동경로를 정답으로 하여 기계 학습시키는 기계 학습부와, 실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 실시간 선박 이동경로 예측부와, 상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 적합도 산출부와, 상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 선박 이동경로 예측부를 포함할 수 있다.
또한, 상기 선박의 예측 이동경로 정보는, 상기 선박의 고유 번호, 현재 시각, 상기 선박의 현재 위치, 상기 선박의 현재 속도, 상기 선박의 현재 방향, 상기 선박의 예측 이동경로에 대한 고유번호, 상기 현재시간에서의 예상 경과시간, 상기 선박의 예상 위치, 상기 선박의 예상 속도, 상기 선박의 예상 방향, 상기 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 선박의 이동정보는, 상기 선박의 고유번호, 위도, 경도, 속도 및 이동방향에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 선박 분류기준은, 상기 선박의 빈도, 날짜, 요일, 시간대 및 사용자가 기 지정한 영역에 대한 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 상기 선박 후보 리스트는, 상기 선박의 고유번호, 기 설정된 시간 동안의 상기 선박 이동정보 표출 수, 상기 선박의 이동시간, 상기 선박의 출현일 수 및 상기 선박의 기 설정된 시간대 별 출현 정보 송출 수에 대한 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 상기 선박출현확률은, 상기 선박 후보 리스트의 상기 선박 이동 표출 수를 전체 표출수로 나누어 계산할 수 있다.
또한, 상기 기계 학습부는, 상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습할 수 있다.
또한, 상기 실시간 선박 이동경로 예측부는, 상기 실시간으로 측정된 선박 이동정보에 대해, 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하고, 생성된 모델에 기초하여 상기 선박 이동경로를 예측할 수 있다.
일 실시예에 따른 선박 이동경로 예측방법은, 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와, 상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와, 상기 선박 후보 리스트를 상기 선박출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 상기 선박 이동경로를 정답으로 하여 기계 학습하는 단계와, 실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와, 상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와, 상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함할 수 있다.
또한, 상기 선박의 예측 이동경로 정보는, 상기 선박의 고유 번호, 현재 시각, 상기 선박의 현재 위치, 상기 선박의 현재 속도, 상기 선박의 현재 방향, 상기 선박의 예측 이동경로에 대한 고유번호, 상기 현재시간에서의 예상 경과시간, 상기 선박의 예상 위치, 상기 선박의 예상 속도, 상기 선박의 예상 방향, 상기 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 선박의 이동정보는, 상기 선박의 고유번호, 위도, 경도, 속도 및 이동방향에 대한 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 선박 분류기준은, 상기 선박의 빈도, 날짜, 요일, 시간대 및 사용자가 기 지정한 영역에 대한 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 상기 선박 후보 리스트는, 상기 선박의 고유번호, 기 설정된 시간 동안의 상기 선박 이동정보 표출 수, 상기 선박의 이동시간, 상기 선박의 출현일 수 및 상기 선박의 기 설정된 시간대 별 출현 정보 송출 수에 대한 정보 중 적어도 하나의 정보를 포함할 수 있다.
또한, 상기 선박출현확률은, 상기 선박 후보 리스트의 상기 선박 이동 표출 수를 전체 표출수로 나누어 계산할 수 있다.
또한, 상기 기계 학습하는 단계는, 상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습할 수 있다.
또한, 상기 선박 이동경로를 예측하는 단계는, 상기 실시간으로 측정된 선박 이동정보에 대해, 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하고, 생성된 모델에 기초하여 상기 선박 이동경로를 예측할 수 있다.
일 실시예에 따른 컴퓨터 판독 가능한 기록매체는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와, 상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와, 상기 선박 후보 리스트를 상기 선박출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 상기 선박 이동경로를 정답으로 하여 기계 학습하는 단계와, 실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와, 상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와, 상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따른 컴퓨터 프로그램은 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와, 상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와, 상기 선박 후보 리스트를 상기 선박출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 상기 선박 이동경로를 정답으로 하여 기계 학습하는 단계와, 실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와, 상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와, 상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따르면, 선박 이동경로 예측장치 및 선박 이동경로 예측방법을 통해 기 설정된 구역의 출현빈도가 높은 선박들의 이동경로를 예측할 수 있기 때문에, 무기 체계 개발 시에 필수적인 해상 안전 구역에 대한 소개 및 선박 이동경로 파악을 통해 효율적인 시험 수행에 기여할 수 있다.
또한, 선박의 이동경로 예측 시, 단기적인 선형 또는 비선형적인 요소를 고려하기 위해 선박의 이동정보에 대하여 기계학습모델을 적용하여 도출한 선박 예측 이동경로와 실시간으로 입력 받은 선박의 이동정보에 대하여 선형모델, 비선형모델, 기계학습 모델 중 적어도 하나 이상의 모델을 이용하여 예측한 선박 이동경로를 각각 비교하여 선박의 이동경로를 예측함으로서 선박의 이동경로 예측에 대한 정확도(또는 성공률)가 증가할 수 있다.
도 1은 일 실시예에 따른 선박 이동경로 예측장치 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 선박 이동경로 예측방법의 절차에 대한 예시적인 순서도이다.
도 3은 일 실시예에 따른 선박의 예측 이동경로에 대한 정보를 토픽으로 전송하는 것을 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 선박 이동경로 예측장치의 구성을 도시한 도면이다. 도 1을 참조하면, 일 실시예에 따른 선박 이동경로 예측장치(100)는 선박 후보 리스트 생성부(110), 기계 학습부(120), 실시간 선박 이동경로 예측부(130), 적합도 산출부(140) 및 선박 이동경로 예측부(150)를 포함할 수 있다. 단, 도 1의 선박 이동경로 예측장치는 본 발명의 일 실시예에 불과하므로, 도 1에 의해 본 발명의 사상이 제한 해석되는 것은 아니다.
이때, 실시예에 따라 선박 이동경로 예측장치(100)는 도 1에 도시된 구성 중 적어도 하나를 포함하지 않거나 및/또는 도 1에 도시되지 않은 구성을 추가로 포함할 수 있다. 아울러, 이러한 선박 이동경로 예측장치(100)에 포함된 구성 각각은 소프트웨어 모듈이나 하드웨어 모듈 형태로 구현되거나 또는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로 구현될 수 있다.
다시 도 1을 참조하면, 선박 후보 리스트 생성부(110)는 선박 정보 저장부(미도시)로부터 기 저장된 구간의 이동 기록이 있는 선박의 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성할 수 있다.
여기서, 선박 정보 저장부(미도시)는 적어도 하나 이상의 선박에 대해 선박 이동정보가 저장되어 있는 데이터베이스(Database) 또는 파일(File) 등이 될 수 있으나, 이에 한정되는 것은 아니다.
선박 정보 저장부(미도시)에 저장되어 있는 선박의 이동정보는 선박의 고유번호, 위도, 경도, 속도 및 이동방향에 대항 정보 중 적어도 하나를 포함할 수 있다.
예컨대, 선박 분류기준의 조건은 기 설정된 구역에서의 선박 이동 정보 출현 빈도, 기 설정된 구역에서의 선박 정지 정보 출현 빈도, 기 설정된 날짜, 요일 및 시간대 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.
일 실시예로서, 선박 후보 리스트 생성부(110)는 적어도 하나 이상의 선박에 대해 선박 정보 저장부(미도시)로부터 기 저장된 구간의 이동 기록이 있는 선박 이동정보를 확인하고, 이동 정보에 대한 선박 고유번호를 구분자로 하여 선박 분류기준의 조건에 따라 선박 후보 리스트를 생성할 수 있다.
더 나아가, 선박 후보 리스트 생성부(110)는 선박 분류기준에 해당하는 정보를 기 설정된 횟수 이상 산출하는 선박에 대하여 선박 고유번호를 생성한 후, 선박 정보 저장부(미도시)로부터 추가 정보에 대해 조회 또는 가공하여 선박 후보 리스트를 생성할 수도 있으나, 이에 한정되는 것은 아니다.
한편, 선박 후보 리스트 생성부(110)에서 생성한 선박 후보 리스트는 선박의 고유번호, 기 설정된 시간 동안의 선박 이동정보 표출 수, 선박의 이동시간, 선박의 출현일 수 및 선박의 기 설정된 시간대별 출현 정보 송출 수에 대한 정보 중 적어도 하나의 정보를 포함할 수 있다.
기계 학습부(120)는 선박 후보 리스트의 이동정보에 기초하여 선박의 출현확률을 계산하고, 선박 후보 리스트를 선박출현확률에 기초하여 정렬시킬 수 있다.
이때, 기계 학습부(120)는 선박 후보 리스트의 선박 이동 표출 수를 전체 표출 수로 나누어 선박출현확률을 계산할 수 있다. 더 나아가, 기계 학습부(120)는 선박 후보 리스트를 선박출현확률에 기초하여 정렬시키고, 정렬된 선박 후보 리스트순으로 선박 고유정보(예컨대, 선박의 고유번호일 수 있음)를 조회할 수 있다.
일 실시예로서, 기계 학습부(120)는 선박 후보 리스트에서 적어도 하나 이상의 선박에 대해 선박의 고유정보(예컨대, 선박의 고유번호일 수 있음)를 구분자로 하여 선박 정보 저장부(미도시)로부터 선박의 이동 정보를 확인할 수 있으나, 이에 한정되는 것은 아니다.
한편, 기계 학습부(120)는 기 설정된 지역을 기 지정한 영역으로 분류할 수 있다.
이때, 기 지정한 영역은 격자 크기(예컨대, 100m, 200m, 500m, 1000m 중 적어도 하나의 크기일 수 있음) 또는 사용자가 기 지정한 영역을 포함할 수 있고, 여기서, 사용자는 선박의 예측 이동경로를 필요로 하는 선장 또는 선원등이 될 수 있으나, 이에 한정되는 것은 아니다.
기계 학습부(120)는 기 지정한 지역에 해당하도록 선박의 이동정보를 재분류한 후, 재분류된 선박의 이동정보에 기초하여 기계학습 모델을 적용한 선박 이동경로를 학습할 수 있다.
예컨대, 기계 학습부(120)는 RNN(Recurrent Neural Network) 및 RNN-LSTM(Recurrent Neural Network LST Long Shor Term Memory)으로 기계학습을 수행할 수 있다.
보다 구체적으로, 기계 학습부(120)는 선박 후보 리스트를 선박출현확률 순으로 정렬하고. 정렬된 선박 후보 리스트의 이동정보를 입력으로 하고, 선박 후보 리스트의 이동정보에 대한 선박 이동경로를 정답으로 하여 기계학습하여, 기계학습모델을 생성할 수 있으나, 이에 한정되는 것은 아니다.
실시간 선박 이동경로 예측부(130)는 실시간으로 측정된 선박 이동정보를 입력 받아, 선박 이동경로를 예측할 수 있다.
보다 상세히, 실시간 선박 이동경로 예측부(130)는 기계 학습부(120)에서 기계학습에 사용되는 선박 이동정보보다 최근에 측정된 선박 이동정보일 수 있으나, 이에 한정되는 것은 아니다.
더 나아가, 실시간 선박 이동경로 예측부(130)는 실시간으로 측정된 선박 이동정보에 대해 기계학습을 수행한 모델, 선형 모델(예컨대, 이동평균에 관련된 모델일 수 있음) 및 비선형 모델(Particle Filter 또는 Kalam Filter가 사용될 수 있음) 중 적어도 하나 이상의 모델을 생성할 수 있다. 이때, 실시간 선박 이동경로 예측부(130)는 생성된 기계학습을 수생한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델에 기초하여 선박 이동경로를 예측할 수 있다.
실시간 선박 이동경로 예측부(130)는 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델에 기초하여 자동으로 선박 이동경로를 예측할 수도 있지만 사용자가 수동으로 선박 이동경로 예측결과를 확인할 수도 있다.
한편, 실시간 선박 이동경로 예측부(130)는 실시간으로 측정된 선박 이동정보의 선박 고유번호가 선박 후보리스트에 존재할 경우에는 따로 선박 이동경로를 예측하지 않고, 기계 학습부(120)에 저장된 선박 고유번호에 대한 선박 예측 이동경로에 대한 정보를 가져올 수 있으나, 이에 한정되지 않는다.
일 실시예로서, 실시간 선박 이동경로 예측부(130)는 이동 경로 예측 성능의 향상을 위해 이동경로를 예측하는 선박에 대한 기 설정된 거리를 기준으로 기 설정된 거리 이하일 경우(사용자 기준 단거리일 수 있음), 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 사용할 수 있고, 기 설정된 거리 초과일 경우(사용자 기준 장거리일 수 있음) 기계학습 모델을 사용하여 선박 이동경로를 예측할 수 있으나, 이는 실시예일뿐 이에 한정되지 않는다.
적합도 산출부(140)는, 기계 학습부(120)에서 선박 후보 리스트를 기계학습 시킨 결과(예컨대, 선박 이동정보에 대해 기계학습모델을 적용하여 도출한 선박 이동경로 예측결과일 수 있음) 및 실시간 선박 이동경로 예측부(130)에서 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델에 대한 선박 이동경로 예측결과의 적합도를 산출할 수 있다.
보다 상세히, 적합도 산출부(140)는 기계 학습부(120) 및 선박 이동경로 예측부(130)로부터 입력 받은 선박 이동경로 예측결과에 대해, 선박 이동경로 예측결과와 선박 이동경로 예측결과 이전의 선박 이동경로(예컨대, 선박의 과거경로일 수 있음)간의 평균 거리 차의 평균값을 통해 적합도를 산출할 수 있으나, 이에 한정되는 것은 아니다.
선박 이동경로 예측부(150)는 적합도 산출부(140)에서 기계학습 시킨 결과 및 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산할 수 있다. 아울러, 선박 이동경로 예측부(150)는 계산된 이격치 중 최소값의 이격치에 대한 결과를 선박의 예측 이동경로로 산출할 수 있다.
선박 이동경로 예측부(150)에서 예측한 선박의 예측 이동경로 정보는 선박의 고유 번호, 현재 시간, 선박의 현재 위치, 선박의 현재 속도, 선박의 현재 방향, 선박의 예측 이동경로에 대한 고유번호, 현재시간에서의 예상 경과시간, 선박의 예상 위치, 선박의 예상 속도, 선박의 예상 방향, 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함할 수 있다.
한편, 선박 이동경로 예측부(150)는 기계 학습부(120)로부터 선박 후보 리스트를 기계학습 시킨 결과 및 실시간 선박 이동경로 예측부(130)로부터 선박 이동경로 예측 결과의 적합도에 대한 이격치 중 최소값의 이격치를 선박에 대한 이동경로로 예측하기 때문에 예측 정확도(또는 성공율)가 가장 높은 선박 이동경로를 선박의 예측 이동경로로 선택할 수 있다.
일 실시예로서, 선박 이동경로 예측부(150)에서 예측한 선박의 예측 이동경로 정보는 위치자료 토픽으로 생성하여 사용자의 단말기에 전송할 수도 있으나, 이에 한정되는 것은 아니다.
도 2는 일 실시예에 따른 선박 이동경로 예측방법의 절차에 대한 예시적인 순서도이다. 도 2에 도시된 선박 이동경로 예측방법은 도 1에 도시된 선박 이동경로 예측장치(100)에 의해 수행 가능하다. 아울러, 도 2에 도시된 선박 이동경로 예측방법은 예시적인 것에 불과하다.
도 2를 참조하면, 먼저 선박 후보 리스트 생성부(110)는 선박 정보 저장부(미도시)로부터 기 지정된 구간의 이동 기록이 있는 선박의 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성할 수 있다(단계 S10).
여기서, 선박 정보 저장부(미도시)는 적어도 하나 이상의 선박에 대해 선박의 이동정보가 저장되어 있을 수 있고, 선박의 이동정보는 선박의 고유번호, 위도위치, 경도위치, 속도 및 이동방향 중 적어도 하나의 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다.
보다 상세하게, 선박 후보 리스트 생성부(110)는 선박의 이동정보가 저장된 선박 정보 저장부(미도시)로부터 기 지정된 구역에서의 선박의 이동 기록이 존재하는 적어도 하나 이상의 선박의 정보를 확인할 수 있다. 이때, 선박 후보 리스트 생성부(110)는 확인한 선박의 선박 고유번호를 구분자로 하여 선박 분류기준에 기초하여 선박 후보 리스트를 생성할 수 있으나, 이에 한정되는 것은 아니다.
여기서, 선박 분류기준은 특정 구역에서의 선박 이동 정보 출현 빈도, 특정 구역에서의 선박 정지 정보 출현 빈도, 특정 날짜, 요일 및 시간대에 대한 정보 중 적어도 하나의 정보가 분류기준의 조건이 될 수 있으나, 이에 한정되는 것은 아니다.
기계 학습부(120)는 선박 후보 리스트 생성부(110)에서 생성한 선박 후보 리스트의 이동정보에 기초하여 선박의 출현 확률을 계산할 수 있다(단계 S20).
한편, 기 설정된 구역에서는 선박의 출현확률순대로 선박의 출현 빈도가 결정되므로 기계 학습부(120)에서 선박의 출현확률을 계산하여, 선박 후보 리스트를 선박의 출현확률순대로 정렬하면 선박의 출현 빈도순으로 선박 후보 리스트가 정렬될 수 있다.
기계 학습부(120)는 선박 후보 리스트를 선박 출현확률에 기초하여 정렬한 후, 정렬된 선박 후보 리스트를 선박 이동경로에 대해 기계학습할 수 있다(단계 S30).
보다 상세히, 기계 학습부(120)는 선박출현확률 순으로 정렬된 선박 후보 리스트의 이동정보를 입력으로 하고, 선박 후보 리스트의 이동정보에 대한 선박 이동경로를 정답으로 하여 기계학습시킬 수 있다. 이때, 기계 학습부(120)는 기계학습을 통해 선박 이동정보에 대한 선박 이동경로에 관하여 기계학습모델을 생성할 수 있으나, 이에 한정되는 것은 아니다.
한편, 기계학습이 완료 된 후, 실시간 선박 이동경로 예측부(130)는 실시간으로 측정된 선박 이동 정보를 입력 받아, 선박 이동경로를 예측할 수 있다(단계 S40).
여기서, 실시간 선박 이동경로 예측부(130)에서 입력 받는 실시간으로 측정된 선박 이동 정보는 기계 학습부(120)에서 입력 받는 선박 이동정보보다 최근에 측정된 선박 이동정보일 수 있으나, 이에 한정되지는 않는다.
보다 자세하게, 실시간 선박 이동경로 예측부(130)는 실시간으로 측정된 선박 이동정보에 대해 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하고, 생성된 모델에 기초하여 선박 이동경로를 예측할 수 있다.
한편, 선박 이동경로를 예측함에 있어, 단기적인 선형 또는 비선형적인 요소를 고려할 경우, 선박 이동경로 예측 정확도가 높아질 수 있다. 따라서, 실시간 선박 이동경로 예측부(130)를 통해 실시간으로 측정된 선박 이동정보에 대해 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하여 선박 이동경로를 예측할 경우, 단기적인 선형 또는 비선형적인 요소가 고려되므로 선박 이동경로 예측 정확도가 높아질 수 있다.
적합도 산출부(140)는 단계 S30 및 단계 S40의 결과에 대한 적합도를 산출할 수 있다(단계 S50).
보다 상세하게, 적합도 산출부(140)는 기계 학습부(120) 및 선박 이동경로 예측부(130)로부터 입력 받은 선박 이동경로 예측결과에 대해 적합도를 산출할 수 있다. 이때, 적합도 산출부(140)는 선박 이동경로 예측결과와 선박 이동경로 예측결과 이전의 선박 이동경로(예컨대, 선박의 과거경로일 수 있음)간의 평균 거리 차의 평균값을 통해 적합도를 산출할 수 있으나, 이에 한정되는 것은 아니다.
선박 이동경로 예측부(150)는 단계 S30 및 단계 S40의 결과에 대한 적합도의 이격치를 각각 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 선박의 예측 이동경로로 산출할 수 있다(단계 S60).
한편, 선박 이동경로 예측부(150)는 기계 학습부(120)의 선박 이동경로 결과 및 실시간 선박 이동경로 예측부(130)의 선박 이동경로의 예측 결과에 대한 적합도에 대한 이격치 중 최소값의 이격치를 선박 이동경로로 예측할 수 있기 때문에 예측된 선박 이동경로 결과 중 가장 정확도가 높은 결과에 대해서 선박의 예측 이동경로로 선정할 수 있다.
도 3은 일 실시예에 따른 선박 이동경로 예측부에서 산출한 선박의 예측 이동경로에 대한 정보를 토픽으로 전송하는 것을 설명하기 위한 도면이다.
도 3을 참조하면, 선박 이동경로 예측부(150)에서 예측된 선박 이동경로에 대한 정보는 DDS(Digital Data Storage) 미들웨어(MiddleWare)기반의 별도 구성된 토픽형태로 사용자 단말기에 전송될 수 있으나, 이에 한정되는 것은 아니다.
일 실시예로서, 선박 이동경로 예측부(150)는 선박 예측 이동경로를 각각의 시간차에 따라 DDS(Digital Data Storage) 기반의 예상 선박 위치자료 토픽으로 생성하여 전송할 수 있다. 이 경우, 선박 이동경로 예측부(150)에서 예측된 선박 이동경로에 대한 정보는 새로운 선박 이동경로가 예측되거나 유효시간 내에 선박 이동경로가 예측될 경우, 에서 예측된 선박 이동경로에 대한 정보(예상 선박 위치자료 토픽)는 유효한 정보가 될 수도 있다.
이때, 예측된 선박 이동경로에 대한 정보는 선박의 고유 번호, 현재 시각, 선박의 현재 위치, 선박의 현재 속도, 선박의 현재 방향, 선박의 예측 이동경로에 대한 고유번호, 현재시간에서의 예상 경과시간, 선박의 예상 위치, 선박의 예상 속도, 선박의 예상 방향, 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.
이상에서 살펴본 바와 같이, 일 실시예에 따르면, 선박 이동경로 예측장치 및 선박 이동경로 예측방법을 통해 기 설정된 구역의 출현빈도가 높은 선박들의 이동경로를 예측할 수 있기 때문에, 무기 체계 개발 시에 필수적인 해상 안전 구역에 대한 소개 및 선박 이동경로 파악을 통해 효율적인 시험 수행에 기여할 수 있다.
또한, 선박의 이동경로 예측 시, 단기적인 선형 또는 비선형적인 요소를 고려하기 위해 선박의 이동정보에 대하여 기계학습모델을 적용하여 도출한 선박 예측 이동경로와 실시간으로 입력 받은 선박의 이동정보에 대하여 선형모델, 비선형모델, 기계학습 모델 중 적어도 하나 이상의 모델을 이용하여 예측한 선박 이동경로를 각각 비교하여 선박의 이동경로를 예측함으로서 선박의 이동경로 예측에 대한 정확도(또는 성공률)가 증가할 수 있다.
한편, 이러한 일 실시예에 따른 방법은 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현 가능하고, 또한 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체의 형태로 구현 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 선박 이동경로 예측장치
110: 선박 후보 리스트 생성부
120: 기계 학습부
130: 실시간 선박 이동경로 예측부
140: 적합도 산출부
150: 선박 이동경로 예측부

Claims (18)

  1. 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 선박 후보 리스트 생성부와,
    상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하고, 상기 선박 후보 리스트를 상기 선박의 출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 선박 이동경로를 정답으로 하여 기계 학습시키는 기계 학습부와,
    실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 실시간 선박 이동경로 예측부와,
    상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 적합도 산출부와,
    상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 선박 이동경로 예측부를 포함하고,
    상기 기계 학습부는,
    상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습하는
    선박 이동경로 예측장치.
  2. 제 1 항에 있어서,
    상기 선박의 예측 이동경로 정보는,
    상기 선박의 고유 번호, 현재 시각, 상기 선박의 현재 위치, 상기 선박의 현재 속도, 상기 선박의 현재 방향, 상기 선박의 예측 이동경로에 대한 고유번호, 상기 현재 시각에서의 예상 경과시간, 상기 선박의 예상 위치, 상기 선박의 예상 속도, 상기 선박의 예상 방향, 상기 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함하는
    선박 이동경로 예측장치.
  3. 제 1 항에 있어서,
    상기 선박의 이동정보는,
    상기 선박의 고유번호, 위도, 경도, 속도 및 이동방향에 대한 정보 중 적어도 하나를 포함하는
    선박 이동경로 예측장치.
  4. 제 1 항에 있어서,
    상기 선박 분류기준은,
    상기 선박의 빈도, 날짜, 요일, 시간대 및 사용자가 기 지정한 영역에 대한 정보 중 적어도 하나의 정보를 포함하는
    선박 이동경로 예측장치.
  5. 제 1 항에 있어서,
    상기 선박 후보 리스트는,
    상기 선박의 고유번호, 기 설정된 시간 동안의 상기 선박 이동정보 표출 수, 상기 선박의 이동시간, 상기 선박의 출현일 수 및 상기 선박의 기 설정된 시간대 별 출현 정보 송출 수에 대한 정보 중 적어도 하나의 정보를 포함하는
    선박 이동경로 예측장치.
  6. 제 5 항에 있어서,
    상기 선박의 출현확률은,
    상기 선박 후보 리스트의 상기 선박 이동 표출 수를 전체 표출수로 나누어 계산하는
    선박 이동경로 예측장치.
  7. 삭제
  8. 제 1 항에 있어서,
    상기 실시간 선박 이동경로 예측부는,
    상기 실시간으로 측정된 선박 이동정보에 대해, 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하고, 생성된 모델에 기초하여 상기 선박 이동경로를 예측하는
    선박 이동경로 예측장치.
  9. 적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와,
    상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와,
    상기 선박 후보 리스트를 상기 선박의 출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 선박 이동경로를 정답으로 하여 기계 학습하는 단계와,
    실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와,
    상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와,
    상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함하고,
    상기 기계 학습하는 단계는,
    상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습하는
    선박 이동경로 예측방법.
  10. 제 9 항에 있어서,
    상기 선박의 예측 이동경로 정보는,
    상기 선박의 고유 번호, 현재 시각, 상기 선박의 현재 위치, 상기 선박의 현재 속도, 상기 선박의 현재 방향, 상기 선박의 예측 이동경로에 대한 고유번호, 상기 현재 시각에서의 예상 경과시간, 상기 선박의 예상 위치, 상기 선박의 예상 속도, 상기 선박의 예상 방향, 상기 선박의 예측 이동경로의 적합도 수치 및 유효시간에 대한 정보 중 적어도 하나를 포함하는
    선박 이동경로 예측방법.
  11. 제 9 항에 있어서,
    상기 선박의 이동정보는,
    상기 선박의 고유번호, 위도, 경도, 속도 및 이동방향에 대한 정보 중 적어도 하나를 포함하는
    선박 이동경로 예측방법.
  12. 제 9 항에 있어서,
    상기 선박 분류기준은,
    상기 선박의 빈도, 날짜, 요일, 시간대 및 사용자가 기 지정한 영역에 대한 정보 중 적어도 하나의 정보를 포함하는
    선박 이동경로 예측방법.
  13. 제 9 항에 있어서,
    상기 선박 후보 리스트는,
    상기 선박의 고유번호, 기 설정된 시간 동안의 상기 선박 이동정보 표출 수, 상기 선박의 이동시간, 상기 선박의 출현일 수 및 상기 선박의 기 설정된 시간대 별 출현 정보 송출 수에 대한 정보 중 적어도 하나의 정보를 포함하는
    선박 이동경로 예측방법.
  14. 제 13 항에 있어서,
    상기 선박의 출현확률은,
    상기 선박 후보 리스트의 상기 선박 이동 표출 수를 전체 표출수로 나누어 계산하는
    선박 이동경로 예측방법.
  15. 삭제
  16. 제 9 항에 있어서,
    상기 선박 이동경로를 예측하는 단계는,
    상기 실시간으로 측정된 선박 이동정보에 대해, 기계학습을 수행한 모델, 선형 모델 및 비선형 모델 중 적어도 하나 이상의 모델을 생성하고, 생성된 모델에 기초하여 상기 선박 이동경로를 예측하는
    선박 이동경로 예측방법.
  17. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와,
    상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와,
    상기 선박 후보 리스트를 상기 선박의 출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 선박 이동경로를 정답으로 하여 기계 학습하는 단계와,
    실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와,
    상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와,
    상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
    상기 기계 학습하는 단계는,
    상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습하는
    컴퓨터 판독 가능한 기록매체.
  18. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    적어도 하나 이상의 선박에 대해 상기 선박의 이동정보가 저장되어 있는 선박 정보 저장부로부터 기 지정된 구간의 이동 기록이 있는 선박의 상기 이동정보에 대해 선박 분류기준에 기초하여 선박 후보 리스트를 생성하는 단계와,
    상기 선박 후보 리스트의 상기 이동정보에 기초하여 상기 선박의 출현확률을 계산하는 단계와,
    상기 선박 후보 리스트를 상기 선박의 출현확률에 기초하여 정렬한 후, 상기 정렬된 선박 후보 리스트의 상기 이동정보를 입력으로 하고, 상기 선박 후보 리스트의 상기 이동정보에 대한 선박 이동경로를 정답으로 하여 기계 학습하는 단계와,
    실시간으로 측정된 선박 이동정보를 입력 받아, 상기 선박 이동경로를 예측하는 단계와,
    상기 선박 후보 리스트를 기계학습 시킨 결과 및 상기 선박 이동경로 예측 결과의 적합도를 산출하는 단계와,
    상기 기계학습 시킨 결과 및 상기 선박 이동경로 예측결과의 적합도에 대하여 각각 이격치를 계산하고, 계산된 이격치 중 최소값의 이격치에 대한 결과를 상기 선박의 예측 이동경로로 산출하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하고,
    상기 기계 학습하는 단계는,
    상기 정렬된 선박 후보 리스트의 이동정보에 대하여 기 지정된 지역을 기 지정된 크기 또는 사용자가 기 지정한 영역으로 분류하고, 상기 분류된 정보를 입력으로 하고, 상기 분류된 정보의 이동경로를 정답으로 하여 기계학습하는
    컴퓨터 프로그램.
KR1020190151425A 2019-11-22 2019-11-22 선박 이동경로 예측장치 및 선박 이동경로 예측방법 KR102251381B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190151425A KR102251381B1 (ko) 2019-11-22 2019-11-22 선박 이동경로 예측장치 및 선박 이동경로 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190151425A KR102251381B1 (ko) 2019-11-22 2019-11-22 선박 이동경로 예측장치 및 선박 이동경로 예측방법

Publications (1)

Publication Number Publication Date
KR102251381B1 true KR102251381B1 (ko) 2021-05-12

Family

ID=75918603

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190151425A KR102251381B1 (ko) 2019-11-22 2019-11-22 선박 이동경로 예측장치 및 선박 이동경로 예측방법

Country Status (1)

Country Link
KR (1) KR102251381B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102347174B1 (ko) * 2021-07-21 2022-01-03 국방과학연구소 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101103455B1 (ko) 2010-07-09 2012-01-09 동명대학교산학협력단 선박의 ａｉｓ를 이용한 선박 항로 안내 시스템
KR101541808B1 (ko) * 2015-04-30 2015-08-04 한국해양과학기술원 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
KR20190105149A (ko) * 2018-02-19 2019-09-16 한국전자통신연구원 인공지능 기반의 선박 제어 시스템 및 그 동작방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101103455B1 (ko) 2010-07-09 2012-01-09 동명대학교산학협력단 선박의 ａｉｓ를 이용한 선박 항로 안내 시스템
KR101541808B1 (ko) * 2015-04-30 2015-08-04 한국해양과학기술원 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
KR20190105149A (ko) * 2018-02-19 2019-09-16 한국전자통신연구원 인공지능 기반의 선박 제어 시스템 및 그 동작방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102347174B1 (ko) * 2021-07-21 2022-01-03 국방과학연구소 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법

Similar Documents

Publication Publication Date Title
US11816080B2 (en) Severity computation of anomalies in information technology operations
CN111401570B (zh) 针对隐私树模型的解释方法和装置
Ahmad et al. Requirements prioritization with respect to geographically distributed stakeholders
EP3726441A1 (en) Company bankruptcy prediction system and operating method therefor
JP5905651B1 (ja) 実績評価装置、実績評価装置の制御方法、および実績評価装置の制御プログラム
CN114726654A (zh) 一种应对云计算网络攻击的数据分析方法及服务器
KR102251381B1 (ko) 선박 이동경로 예측장치 및 선박 이동경로 예측방법
US11783221B2 (en) Data exposure for transparency in artificial intelligence
US11392798B2 (en) Automation rating for machine learning classification
Brax Anomaly detection in the surveillance domain
CN117195907B (zh) 应用于市场调查处理系统的调查问卷分析方法及系统
US11303683B2 (en) Methods and systems for managing distribution of online content based on content maturity
Pejić et al. Exploring data mining possibilities on computer based problem solving data
CN115860997A (zh) 一种基于职业技能的人才培训管理方法、系统及介质
CN115936187A (zh) 一种轨迹预测方法、模型构建方法、设备及存储介质
Lapatta Ecotourism recommendations based on sentiments using skyline query and apache-spark
Santos et al. Counting vehicle by axes with high-precision in brazilian roads with deep learning methods
CN110032624A (zh) 一种样本筛选方法及装置
Pospisil et al. Business process simulation for predictions
CN114333332B (zh) 一种交通管控方法、装置及电子设备
Siddiq et al. Data Mining Technique as Majors Support System Management with Classification Approach
CN110046292B (zh) 舆情数据处理方法、装置、设备及存储介质
Campbell et al. Developing generative adversarial networks (GANs) for the generation of synthetic vessel movement data
Kabra et al. Student’s Performance Prediction Using Genetic Algorithm
CN114969754B (zh) 一种基于多任务学习解决afl预测模型数据不平衡的方法及系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant