KR20220137606A - Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 - Google Patents
Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR20220137606A KR20220137606A KR1020220125742A KR20220125742A KR20220137606A KR 20220137606 A KR20220137606 A KR 20220137606A KR 1020220125742 A KR1020220125742 A KR 1020220125742A KR 20220125742 A KR20220125742 A KR 20220125742A KR 20220137606 A KR20220137606 A KR 20220137606A
- Authority
- KR
- South Korea
- Prior art keywords
- weather
- data
- route
- ads
- prediction
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/003—Clear air turbulence detection or forecasting, e.g. for aircrafts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
본 발명의 일 실시예에 따르면, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 방법에 있어서, 적어도 하나의 항공기로부터 상기 적어도 하나의 항공기가 수집한 항로 기상 데이터가 포함된 ADS-B 데이터를 수신하는 단계; 상기 ADS-B 데이터에 포함된 상기 항로 기상 데이터를 추출하는 단계; 상기 추출한 항로 기상 데이터를 학습하여 항로 기상 예측 엔진을 구축하는 단계; 및 상기 구축한 항로 기상 예측 엔진을 이용하여 예측 대상 항공기의 항로 상에 발생 가능한 위험 기상 현상을 미리 예측하는 단계; 를 포함할 수 있다.
Description
본 명세서는 ADS-B(Automatic Dependent Surveillance-Broadcast) 체계로 수신되는 항공기 수집 기상 데이터를 인공지능 기법을 통해 학습하고, 이를 바탕으로 항공기 항로 상 위험 기상 현상을 미리 예측하기 위한 방법, 장치 및 시스템을 제안한다.
최근 들어, 다양한 분야에 응용 가능한 머신 러닝(machine learning)이 발달하고 있다. 이러한 머신 러닝은 인공 지능의 한 분야로서, 그 유형에 따라 지도 학습(Supervised learning), 비지도 학습(Unsupervised learning), 강화 학습(Reinforcement learning) 등으로 나뉘며, 인공 신경망(Artificial neural network), 부스팅(Boosting), 결정 트리(Decision tree), 서포트 벡터 머신(Support vector machine), 랜덤 포레스트(Random forests) 등과 같은 다양한 방식의 알고리즘이 개발되고 있다.
인공 신경망은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)를 포함하는데, 은닉층을 쌓는 방법에 따라 얕은 신경망(Shallow neural network)과 심층 신경망(Deep neural network)으로 나뉜다. 또한, 심층 신경망에서 보다 개선된 인공 신경망인 합성곱 신경망(Convolutional neural network, ‘ConvNet’), 순환 신경망(Recurrent neural network), 심층 신뢰 신경망 (Deep belief network), 심층 Q 신경망(Deep Q-network) 등이 개발되고 있는데, 이들 인공 신경망(심층 신경망 포함)의 머신 러닝 방식을 통상적으로 딥 러닝(deep learning)이라고 지칭한다. 즉, 딥 러닝은 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습하는 것으로서, 여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화를 시도하는 머신 러닝을 지칭한다.
항공기가 이착륙할 때 발생하는 항공 사고의 대부분은 돌발 난류가 원인이다. 난류는 바람이 예측하기 어렵게 불규칙하게 변하는 현상을 의미하며, 이착륙 중 위험한 대표적 난류로는 윈드시어(Wind Shear), 마이크로 버스트(Micro Burst) 등이 있다. 윈드시어 발생 시 활주로에 진입하는 항공기는, 초반에는 맞바람에 의한 비정상적인 양력 증가로 인해 항공기를 밀어올리기 때문에 조종사가 착륙을 위해 추력을 낮추게 되는데, 이 상황에서 강한 하강류를 만나게 되면 착륙에 필요한 필요한 고도를 유지하기 위한 양력을 갑자기 상실하게 되어 추락하게 된다.
이와 같이 안전에 치명적인 영향을 미칠 수 있는 항공기상 위험 상황에 대하여 항공기 조종사들에게 조금만 미리 전달하여도, 항공 사고 위험은 크게 줄어들 수 있다.
관련 업계에는 이러한 기상 위험 상황을 탐지하기 위한 다양한 장비들을 개발하여 판매하고 있으며, 대표적으로는 LLWAS(Low Level Wind Shear Alert System), LIDAR(Light Detection and Ranging), TDWR(Terminal Doppler Weather Radar), 등이 사용되고 있다.
그러나, 이러한 항공 기상 관측 장비들은 예측이 아닌 탐지의 기능만을 제공하고 있으며 가격이 매우 비싸기 때문에 공항 운영 측면에서 비용적으로 부담이 큰 실정이다. 따라서, 현재의 탐지 기술만으로는 돌발 난류 발생에 효과적으로 대응하기 위한 기상 예측 시스템의 신뢰도/정확도를 높이기 어렵다는 한계가 있다. 나아가, 상술한 장비들은 모두 지상에 설치되는 것으로, “지상”의 기상 상태를 관측하여 이를 기초로 상공의 기상 현상을 탐지하는 것이기 때문에 이런 상공의 돌발 현상의 예측은 사실상 불가능한 영역으로 취급되어 왔다.
최근, 국립 기상 과학원에서 앙상블 기법을 활용하여 두 개 이상의 기상 모델을 활용한 윈드시어 예측 모델을 개발하고 항공 기상청을 상대로 시범 서비스를 시행하고 있지만, 이 또한 30% 수준의 예측 정확도를 보이는 등 실용화가 불가능한 수준이다.
본 발명의 일 실시예에 따르면, ADS-B(Automatic Dependent Surveillance-Broadcast) 체계로 수집되는 항공기 관측 기상 데이터 기반의 항로 기상 예측 방법에 있어서, 적어도 하나의 항공기로부터 상기 적어도 하나의 항공기가 수집한 항로 기상 데이터가 포함된 ADS-B 데이터를 수신하는 단계; 상기 ADS-B 데이터에 포함된 상기 항로 기상 데이터를 추출하는 단계; 상기 추출한 항로 기상 데이터를 학습하여 항로 기상 예측 엔진을 구축하는 단계; 및 상기 구축한 항로 기상 예측 엔진을 이용하여 예측 대상 항공기의 항로 상에 발생 가능한 위험 기상 현상을 미리 예측하는 단계; 를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 실제 항공기의 안전이 확보되어야 할 “항로” 상의 기상 데이터를 ADS-B 체계를 통해 전송하고 이렇게 전송된 기상 데이터를 기반으로 “항로” 상에 발생할 수 있는 위험 기상 현상을 예측하므로, “지상”의 기상 데이터를 기반으로 “항로” 상의 위험 기상 현상을 예측하는 종래의 기상 예측 장비/시스템보다 신뢰도 및 정확도가 높게 보장될 수 있다는 효과가 있다.
또한, 본 발명의 일 실시예에 따르면, 항로 기상 예측 결과를 PIREP, AIREP 및/또는 동일 항로를 비행하는 후속 항공기의 기상 정보 수집자료 등을 이용하여 검증하고, 검증 결과에 따라 항공 기상 예측 엔진을 지속적으로 업데이트하므로, 항공 기상 예측 엔진의 신뢰도 및 정확도가 일정 레벨 이상으로 높게 유지된다는 효과가 있다.
이외에도, 본 발명의 효과는 상술한 효과에 한정되지 않으며, 이하 각 도면 및 실시예를 참조하여 상세히 후술하기로 한다.
도 1은 본 발명의 일 실시예에 따른 항로 기상 예측 시스템도이다.
도 2는 본 발명의 일 실시예에 따른 항로 기상 예측 방법의 상태도이다.
도 3은 본 발명의 일 실시예에 따른 항공 기상 예측 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따른 위험 기상 현상을 예측하는 방법에 관한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 항로 기상 예측 시스템도이다.
도 6은 본 발명의 일 실시예에 따른 ADS-B 데이터 수신 방법을 예시한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 ADS-B 데이터 및 ADS-B 데이터로부터 추출된 항로 기상 데이터를 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 항로 기상 예측 엔진의 검증 방법을 예시한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 항로 기상 예측 방법의 상태도이다.
도 3은 본 발명의 일 실시예에 따른 항공 기상 예측 방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따른 위험 기상 현상을 예측하는 방법에 관한 순서도이다.
도 5는 본 발명의 일 실시예에 따른 항로 기상 예측 시스템도이다.
도 6은 본 발명의 일 실시예에 따른 ADS-B 데이터 수신 방법을 예시한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 ADS-B 데이터 및 ADS-B 데이터로부터 추출된 항로 기상 데이터를 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 항로 기상 예측 엔진의 검증 방법을 예시한 순서도이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서 제안하는 항로 기상 예측 시스템은 기본적으로 ADS-B 체계를 통해 수집되는 항공기 수집 기상 데이터를 기반으로 한다.
여기서, ADS-B(Automatic Dependent Surveillance-Broadcast)는, GPS 위성(Global Positioning System), 항공기 및 지상 관제소의 감시 체계에 해당한다. 보다 상세하게는, GPS 위성은 항공기의 위치 정보를 항공기로 전송하며, 항공기는 지상 관제소 또는 다른 항공기에 자신의 위치, 고도, 비행 속도 및/또는 항로 상의 기상 상태 등과 같은 다양한 비행 정보를 주기적으로 자동 전송/방송하는 시스템을 ADS-B라 총칭한다. 이때, 항공기에서 주기적으로 전송/방송되는 비행 정보는 ADS-B 표준에서 정의된 ADS-B 데이터(또는 메시지/정보)의 형태로(또는 포맷으로) 전송될 수 있다.
본 발명은 이러한 ADS-B 데이터를 학습하여 항로 상에 발생할 수 있는 위험 기상 현상(예를 들어, 윈드 시어 및/또는 마이크로버스트 등)을 미리 예측할 수 있는 항로 기상 예측 엔진을 구축하고자 함이 목적이다.
우선, 항로 기상 예측 엔진을 구축하는 데 기반이 되는 항로 기상 예측 시스템에 대해 살펴본다.
도 1은 본 발명의 일 실시예에 따른 항로 기상 예측 시스템도이다.
도 1을 참조하면, 본 발명의 항로 기상 예측 시스템은, 크게 ADS-B 데이터 전송 체계(100) 및 항공 기상 예측 서비스(110)로 구성될 수 있다.
ADS-B 데이터 전송 체계(100)는 항공기(101)가 수집한 항로 기상 데이터가 포함된 ADS-B 데이터를 항공기(101)로부터 수신하기 위해 구성된 네트워크 망을 의미한다. ADS-B 데이터 전송 체계(100)은 크게 항공기(101) 및/또는 항공기 수집 기상 정보 수신 장치(102)를 포함할 수 있다.
항공기(101)는 항로를 비행하는 기체로서, ADS-B 데이터를 외부로 전송/방송할 수 있다. 특히, 본 발명의 ADS-B 데이터 전송 체계(100)에서 항공기(101)는, 자신의 비행 정보(특히, 항로 상의 기상 정보/데이터)가 포함되어 있는 ADS-B 데이터를 (주기적으로) 방송(Broadcast)할 수 있다.
나아가, 항공기(101)는 수집 정보의 신뢰성 향상과 예측 범위의 확대와 정확성 재고를 위해 AMDAR(Aircraft Meteorological Data Relay) 체계로부터 수신되는 항공 기관측 기상 정보를 추가로 전송할 수 있다. AMDAR는 세계 기상 기구(WMO)가 권고하고 있는 정부와 민간 기업간 협력 사업으로 항공기가 관측 및 수집한 기상 데이터/자료/정보를 관제 시스템에 제공하는 실시간 항공 기관측 기상 자료에 해당한다. AMDAR는 특히 정확한 기상 예보를 위해 사용되는데, 본 발명에서는 이러한 AMDAR를 항로 상의 기상 정보/데이터로서 ADS-B 데이터에 포함시켜 항로 상 위험 기상 현상을 예측하는 데 사용할 수 있다. AMDAR에는 항공기(101)의 피토관을 통해 측정된 대기 속도, 정압관을 통해 측정된 공기압, GPS를 통해 산출된 대기 속도 및 대지 속도, 온도 센서를 통해 측정된 온도 등의 다양한 기상 정보/데이터가 포함될 수 있다.
본 명세서에서는 AMDAR가 ADS-B 데이터를 통해 전송되는 실시예를 중심으로 설명하나 이에 한정되는 것은 아니며, ADS-B 데이터와는 독립적으로 AMDAR가 항로 기상 예측을 위한 항로 기상 데이터로 사용될 수 있으며, 이 경우 AMDAR는 ADS-B 데이터 전송 체계가 아닌 다양한 통신 체계를 통해 항공 기상 예측 서비스(110)로 전송될 수도 있다.
항공기 수집 기상 정보 수신 장치(102)는 항공기(101)로부터 전송/방송된 ADS-B 데이터를 수신/수집하고, 이를 항공 기상 예측 서비스(110)으로 전달하는 역할을 수행할 수 있다.
항공 기상 예측 서비스(110)은 ADS-B 데이터를 수신/수집하여 비행중인 항공기(101)의 항로 상에 발생할 수 있는 위험(특히, 위험 기상 현상)을 예측/감시하고, 이에 대비하기 위해 구성된 네트워크 망을 의미한다. 항공 기상 예측 서비스(110)은 크게 수집 서버(111) 및 처리 서버(112)를 포함할 수 있다.
수집 서버(111)는 ADS-B 데이터 전송 체계(100)으로부터 전송된 ADS-B 데이터를 수집하고, 저장하는 역할을 수행하는 장치/서버에 해당할 수 있다. 처리 서버(112)는 저장되어 있는 ADS-B 데이터를 로드 및 학습하여 항로 기상 예측 엔진을 구축하고, 구축된 항로 기상 예측 엔진을 이용하여 예측 대상 항공기의 항로 상에 발생할 수 있는 위험 기상 현상을 미리 예측하는 장치/서버에 해당할 수 있다. 이러한 수집 서버(111) 및 처리 서버(112)는 실시예에 따라 통합되어 하나의 장치/서버로 구현되거나, 독립적인 복수의 장치/서버로 구현될 수 있다.
본 명세서에서 기술되는 실시예들은 이러한 항로 기상 예측 시스템을 기반으로 수행될 수 있으며, 항로 기상 예측 방법에 관한 구체적인 실시예는 이하에서 각 도면을 참조하여 상세히 후술하기로 한다.
도 2는 본 발명의 일 실시예에 따른 항로 기상 예측 방법의 상태도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 항로 기상 예측 방법은 크게 학습(201), 예측(202) 및 검증(203), 이렇게 3가지 상태로 구분될 수 있으며, 순차적으로 상태가 순환된다. 예를 들어, 학습(201) → 예측(202) → 검증(203) → 학습(201) → ... 과 같은 형태로 상태가 순차적으로 순환됨으로써 항로 기상 예측 방법이 수행될 수 있으며, 이는 특히, 상술한 처리 서버에 의해 항로 기상 예측 엔진을 이용하여 수행될 수 있다.
예를 들어, 항로 기상 예측 시스템(특히, 처리 서버)는 ADS-B 데이터를 ‘학습(201)’하여 항로 기상 예측 엔진을 구축할 수 있으며, 구축한 항로 기상 예측 엔진을 이용하여 예측 대상 항공기의 항로 상의 기상 상태를 ‘예측(202)’할 수 있으며, 예측한 결과를 실제 기상 정보를 이용하여 ‘검증(203)’하고, 검증한 결과를 다시 ‘학습(201)’하여 항로 기상 예측 엔진을 업데이트할 수 있다.
이렇듯 본 발명의 항로 기상 예측 방법은 적어도 하나의 항공기로부터 수신한 ADS-B 데이터를 학습하여 항로 기상 예측 엔진을 구축할 뿐 아니라, 구축한 항로 기상 예측 엔진을 지속적으로 검증하는 구조로 구성되어 있어, 신뢰도 및 정확도가 매우 높은 항로 기상 예측 엔진을 구축/유지될 수 있다는 효과를 갖는다. 보다 구체적인 항로 기상 예측 엔진 구축 방법은 도 3 및 4를 참조하여 이하에서 상세히 후술한다.
도 3은 본 발명의 일 실시예에 따른 항공 기상 예측 방법의 순서도이다.
본 순서도의 경우, 실시예에 따라 적어도 하나의 단계가 제외되거나, 새롭게 추가될 수 있다.
도 3을 참조하면, 우선 항로 기상 예측 시스템은 적어도 하나의 항공기로부터 ADS-B 데이터를 수신할 수 있다(S301). 보다 상세하게는, 항로 기상 예측 시스템의 항공기 수집 기상 정보 수신 장치는 적어도 하나의 항공기가 수집항 항로 기상 데이터가 포함된 ADS-B 데이터를 수신할 수 있다. 이때, ADS-B 데이터는 적어도 하나의 항공기로부터 (주기적으로) 방송/전송될 수 있다.
다음으로, 항로 기상 예측 시스템(특히, 처리 및/또는 수집 서버)은 수신한 ADS-B 데이터에 포함된 적어도 하나의 항공기의 항로 기상 데이터를 추출할 수 있다(S302). ADS-B 데이터의 경우, ADS-B 표준에서 정의된 데이터 포맷을 따르며, 데이터 포맷별로 항공기의 식별 정보, 시간, ICAO, CallSign, 위도, 경도, 고도, Ground Speed(지상 기준 항공기 상대 속도), True Air Speed(대기 기준 항공기 상대 속도), True track angle, Heading(방향), Mach Number, Roll, FlagRoll, Vertical Speed Rate(항공기 수직 속도) 및/또는 AMDAR 등과 같은 다양한 비행 정보가 포함되어 있을 수 있다. 처리 서버는 이러한 ADS-B 데이터에 포함되어 있는 비행 정보들을 이용해(예를 들어, 비행 정보에 포함되어 있는 인자들을 기설정된 수학식에 대입함으로써) 해당 ADS-B 데이터를 전송한 항공기의 항로 상의 기상 데이터를 추출할 수 있다.
예를 들어, 처리 서버는 지상 기준 항공기 상대 속도와 대기 기준 항공기 상대 속도의 벡터 차를 이용하여 항로 상의 풍향 및 풍속을 산출할 수 있으며, 이를 수학식으로 표현하면 수학식 1과 같다.
항공기는 항공기에 탑재된 기온 센서를 통해 기온을 직접 모니터링할 수 있으나, 지상으로 송신하는 ADS-B 데이터에는 이러한 기온 정보가 포함되어 있지 않다. 따라서, 처리 서버는 ADS-B 데이터에 포함된 True Air Speed 및 Mach Number를 수학식 2에 대입함으로써 기온을 산출할 수 있다.
여기서, T는 온도, γ는 ratio of speicific heats, Rd는 Gas Constant of dry air, Vt는 True Air Speed이다.
항공기가 위아래로 흔들리는 현상인 난류의 강도(즉, 항공기의 수직 가속도 값)는 ADS-B 데이터에 포함된 항공기 수직 속도를 수학식 3에 대입(즉, 항공기 수직 속도를 시간(△t)으로 나눔)함으로써 산출될 수 있다.
이외에도, 처리 서버는 미리 정의되어 있는 수학식에 ADS-B 데이터에 포함되어 있는 다양한 비행 데이터를 대입함으로써 항로 상의 기상 데이터를 추출해낼 수 있다.
다음으로, 항로 기상 예측 시스템(특히, 처리 서버)은 추출한 항로 기상 데이터를 학습하여 항로 기상 예측 엔진을 구축할 수 있다(S303). 보다 상세하게는, 항로 기상 예측 시스템은 추출한 항로 기상 데이터를 기초로 위험 기상 현상이 발생했던 과거의 기상 조건들을 필터링하고 이들을 학습하여, 위험 기상 현상이 발생하기 위한 구체적인 기상 조건을 예측 및 확립할 수 있다. 예를 들어, 윈드 시어가 발생했던 당시에 항공기들이 전송했던 ADS-B 데이터를 분석하여 기상 조건으로 제1 온도, 제2 풍속, 제3 풍향, 제4 수직 가속도 등이 산출/추출되었다면, 항로 기상 예측 시스템은 해당 기상 조건을 윈드 시어가 발생하기 위한 기상 조건으로 예측 및 확립할 수 있다. 나아가, 항로 기상 예측 시스템은 이렇게 예측 및 확립된 기상 조건을 이용하여/기반으로 항로 기상 예측 엔진을 구축할 수 있다. 여기서, 항로 기상 예측 엔진은, 예측 대상 항공기의 항로 기상 상태를 입력 데이터로서 입력받고, 입력 데이터와 확립된 기상 조건 사이의 유사 정도에 기초하여 예측 대상 항공기의 항로 상 위험 기상 현상의 발생 가능성을 예측 결과로서 출력하는 엔진(또는 알고리즘/시스템/프로토콜/프로그램/어플리케이션)을 의미할 수 있다. 이러한 항로 기상 예측 엔진은 항로 기상 예측 시스템 중 처리 서버에 의해 수행/구동될 수 있다.
항로 기상 예측 시스템(특히, 처리 서버)은 과거의 기상 조건을 학습하는 경우, 다양한 기계 학습, 머신 러닝 또는 딥 러닝을 기반으로 학습할 수 있다. 예를 들어, 항로 기상 예측 시스템은 ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network), RNN(Recurrent Neural Network) 및/또는 XGBoost(Extreme Gradient Boosting)에 입력 계층/데이터로서 위험 기상 현상이 발생했던 과거의 기상 조건을 입력하여 학습할 수 있다.
특히, ANN에 기반하여 학습하는 경우, 항로 기상 예측 시스템은 과거의 기상 조건들을 학습하여 기상 조건/인자별로 가중치를 설정 및 미세 조정(예를 들어, 학습한 결과, 위험 기상 현상에 큰 영향을 미친다고 판단된 인자일수록 높은 가중치를 부여)함으로써 항로 기상 예측 엔진을 구축할 수 있다. 그리고/또는, DNN/CNN에 기반하여 학습하는 경우, 항로 기상 예측 시스템은 위험 기상 현상이 발생했던 과거의 기상 조건들을 학습하여 이들로부터 일정한 특징/패턴을 추출해냄으로써 보다 정확도가 높은 위험 기상 현상 발생 조건을 예측 및 확립할 수 있다. 그리고/또는, RNN에 기반하여 학습하는 경우, 항로 기상 예측 시스템은 순환 구조를 이용하여 과거의 학습(예를 들어, 과거에 확립된 기상 조건)과 현재의 학습(예를 들어, 검증을 통해 새로 확립된 기상 조건)을 연결하여 지속적으로 항로 기상 예측 엔진을 구축/업데이트할 수 있다.
마지막으로, 항로 기상 예측 시스템(특히, 처리 서버)은 구축한 항로 기상 예측 엔진을 이용하여 예측 대상 항공기의 항로 상에 발생 가능한 위험 기상 현상을 미리 예측할 수 있다(S304). 이에 관한 보다 상세한 설명은 도 4를 참조하여 이하에서 상세히 후술한다.
도 4는 본 발명의 일 실시예에 따른 위험 기상 현상을 예측하는 방법에 관한 순서도이다.
특히, 본 순서도는 도 3의 S304 단계의 구체적인 실시예를 예시한다.
도 4를 참조하면, 우선 항로 기상 예측 시스템은 예측 대상 항공기로부터 ADS-B 데이터를 수신할 수 있다(S401).
다음으로, 항로 기상 예측 시스템은 도 3의 S302 단계에서와 같이, 수신한 ADS-B 데이터로부터 예측 대상 항공기의 다양한 항로 기상 상태를 추출할 수 있다(S402).
다음으로, 항로 기상 예측 시스템은 추출한 항로 기상 상태를 입력 데이터로서 항로 기상 예측 엔진에 입력할 수 있다(S403). 이 경우, 항로 기상 예측 엔진은 입력된 예측 대상 항공기의 항로 상의 현재 기상 상태와 기확립되어 있는 기상 조건을 상호 비교함으로써 위험 기상 현상의 발생 가능성/여부를 예측할 수 있다. 항로 기상 예측 엔진은 현재 기상 상태와 기확립되어 있는 기상 조건 사이의 유사도가 높을수록 위험 기상 현상의 발생 가능성이 높은 것으로 예측할 수 있다.
만일, 항로 기상 예측 엔진에 의해 위험 기상 현상의 발생 가능성이 기설정된 레벨 이상(예를 들어, 유사도 80% 이상)으로 예측된 경우, 항로 기상 예측 시스템은 위험 기상 현상의 발생 위험을 알리는 경보(alert)를 사용자에게 제공할 수 있다. 이 경우, 사용자는 위험 기상 현상이 발생할 수 있음을 예측 대상 항공기의 조종사에게 알려 이에 대비하도록 안내/지시할 수 있으며, 그 결과 기상 악화로 인한 항공 사고를 사전에 방지할 수 있다.
그리고/또는, 항로 기상 예측 시스템은 직접 예측 결과를 예측 대상 항공기로 (실시간으로 또는 주기적으로) 전송해주거나, 위험 기상 현상의 발생 위험이 예측된 경우, 이를 경고하기 위한 경고 메시지를 직접 예측 대상 항공기로 전송해줄 수도 있다.
도 5는 본 발명의 일 실시예에 따른 항로 기상 예측 시스템도이다.
특히, 본 도면은 도 1의 시스템도를 각 구성별로 보다 구체화한 실시예에 해당한다. 즉, 도 5는 도 1을 구체화한 하나의 실시예에 불과하며, 본 발명의 항로 기상 예측 시스템도는 도 5에 한정되지 않는다.
도 5를 참조하면, 항공기 수집 기상 정보 수신 장치(102)는 ADS-B 데이터 수집부(102-1), 프로세서(102-2) 및/또는 통신부(102-3)를 포함할 수 있다.
ADS-B 데이터 수집부(102-1)는 적어도 하나의 항공기로부터 전송되는 ADS-B 데이터(또는 메시지/정보)를 주기적/비주기적으로 수신할 수 있다. ADS-B 데이터 수집부(102-1)는 수집한 ADS-B 데이터를 프로세서(102-2)로 전달할 수 있다.
프로세서(102-2)는 ADS-B 데이터 수집부(102-1)로부터 수신한 ADS-B 데이터를 처리 및 수집할 수 있다. 나아가, 프로세서(102-2)는 수신한 ADS-B 데이터를 통신부(102-3)로 전달할 수 있으며, 통신부(102-3)는 적어도 하나의 유무선 통신 프로토콜을 이용하여 전달받은 ADS-B 데이터를 항공 기상 예측 서비스(110)로 전송할 수 있다. 예를 들어, 통신부(102-3)는 적어도 하나(바람직하게는, 2개)의 LTE(Long-Term Evolution) VPN(virtual private network) 라우터를 포함할 수 있으며, TCP/IP(Transmission Control Protocol/Internet Protocol) 통신으로 전달받은 ADS-B 데이터를 항공 기상 예측 서비스(110)로 전송할 수 있다. 항공기 수집 기상 정보 수신 장치(102)와 항공 기상 예측 서비스(110) 사이의 원활하고 신뢰도 높은 통신을 위해, 항공기 수집 기상 정보 수신 장치(102)와 항공 기상청간의 전용 회선(과금 회선)이 구비될 수 있다.
수집 서버(111) 및 처리 서버(112)는 공통적으로 통신부(111-1, 112-1), 프로세서(111-2, 112-2) 및/또는 저장부(111-3, 112-3)를 포함할 수 있는데, 이하에서는 서버별 각 구성의 공통되는 기능을 먼저 설명한 후 서버별 차이나는 기능에 대해서는 별도로 설명한다.
통신부(111-1, 112-1)는 ADS-B 데이터 수집 장치(102)의 통신부(102-2)와 마찬가지로, 적어도 하나의 유무선 통신 프로토콜을 이용하여 통신을 수행, 데이터를 송수신할 수 있다.
프로세서(111-2, 112-2)는 서버(111, 112)에 포함된 적어도 하나의 다른 구성 요소와 통신을 수행하고, 이들을 제어함으로써 본 명세서에서 제안되는 실시예들을 수행할 수 있다. 특히, 프로세서(111-2, 112-2)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 예를 들어, 프로세서(111-2, 112-2)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), AP(Application Processor), AP(Application Processor) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 적어도 하나 포함하여 구성될 수 있다. 따라서, 프로세서(111-2, 112-2)는 실시예의 주체인 장치/서버(102, 111, 112)를 대체하여 설명될 수 있다.
저장부(111-3, 112-3)는 다양한 디지털 데이터를 저장할 수 있는데, 본 명세서에서 저장부(111-3, 112-3)는 특히 ADS-B 데이터를 저장할 수 있다. 저장부(111-3, 112-3)는, 플래시 메모리, HDD(Hard Disk Drive), SSD(Solid State Drive)와 같은 하드웨어적인 저장 공간뿐 아니라, 클라우드, 데이터 베이스 등과 같이 가상의 저장 공간을 제공하는 서비스 플랫폼/어플리케이션과 같은 소프트웨어적인 저장 공간을 의미할 수 있다. 특히, 후자의 경우, 수집 서버(111)의 저장부(111-3)는 influxDB(예를 들어, kafka), 처리 서버(112)의 저장부(112-3)는 PostgreSQL에 각각 해당할 수 있다.
본 순서도에는 도시하지 않았으나, 이외에도 처리 서버(112)는, 입/출력부(미도시)를 더 포함할 수 있다. 입/출력부는 적어도 하나의 센서를 포함하여 사용자의 다양한 입력을 센싱할 뿐 아니라, 적어도 하나의 출력 유닛을 포함하여 다양한 정보/데이터를 출력할 수 있다. 예를 들어, 입/출력부는 중력(gravity) 센서, 지자기 센서, 모션 센서, 자이로스코프 센서, 가속도 센서, 적외선 센서, 기울임(inclination) 센서, 밝기 센서, 고도 센서, 후각 센서, 온도 센서, 뎁스 센서, 압력 센서, 밴딩 센서, 오디오 센서, 비디오/카메라 센서, GPS(Global Positioning System) 센서, 터치 센서 및 그립 센서 등의 다양한 센싱 수단 중 적어도 어느 하나를 포함하여 사용자의 다양한 입력을 센싱할 수 있다. 또한, 입/출력부는 디스플레이 및/또는 스피커 등의 다양한 출력 수단 중 적어도 어느 하나를 포함하여 다양한 정보를 출력할 수 있다. 특히, 처리 서버(112)의 입/출력부는 사용자의 다양한 제어 입력을 센싱하고, 센싱한 제어 입력에 따라 다양한 항로 기상 상태/예측 정보를 사용자에게 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 ADS-B 데이터 수신 방법을 예시한 순서도이다.
항로 기상 예측 시스템(특히, 처리 서버)은, 본 도면에 예시된 바와 같이, 유효성이 검증된 ADS-B 데이터만을 저장 및 처리함으로써 항로 기상 예측 시스템의 신뢰도를 향상시킬 수 있다.
도 6을 참조하면, 항로 기상 예측 시스템은 'ADS-B 데이터 수신(S601) → ADS-B 데이터 디코딩(S602) → 유효성 검증(S603) → 저장(S604)'의 순서로 ADS-B 데이터를 저장 및 처리할 수 있다. 이때, 유효성 검증은 ADS-B 표준에 기정의되어 있는 CRC(Cyclic Redundancy Check) 계산을 이용하여 수행될 수 있다.
즉, 도 5 및 6의 실시예를 정리하면, 항공기 수집 기상 정보 수신 장치는 항공기로부터 수신한 ADS-B 데이터를 수집 서버에 전달할 수 있으며, 수집 서버는 수신한 ADS-B 데이터를 저장할 수 있다. 이후 ADS-B 데이터가 필요한 처리 서버가 수집 서버의 저장부를 통해서 해당 데이터를 수신하고 처리할 수 있다. 보다 상세하게는, 처리 서버는 실행 중인 서비스에 따라 수집 서버로부터 특정 ADS-B 데이터를 수신 및 디코딩할 수 있다. 나아가, 처리 서버는 디코딩한 ADS-B 데이터를 ADS-B 표준에 따른 CRC 계산 및 검증 과정을 통해 유효성을 검증한 후, 유효성이 검증된 ADS-B 데이터만을 선별적으로 저장 및 처리하게 된다.
도 7은 본 발명의 일 실시예에 따른 ADS-B 데이터 및 ADS-B 데이터로부터 추출된 항로 기상 데이터를 예시한 도면이다.
도 7을 참조하면, 도 3에서 상술한 바와 같이, 항로 기상 예측 시스템은 비행 정보가 포함된 ADS-B 데이터를 수신하고, 수신한 ADS-B 데이터에 포함된 비행 정보를 이용해 다양한 항로 기상 데이터를 추출할 수 있다. 본 도면은, ADS-B 데이터로부터 수직 속도(vertical rate), 풍향, 풍속 및 온도를 도출한 실시예에 해당한다. 본 도면에 예시된 항로 기상 데이터는, 수학식 1 내지 3에 ADS-B 데이터를 대입함으로써 추출될 수 있음은 앞서 상술한 바와 같다.
수집 서버는 ADS-B 데이터를 원시 자료의 형태로 수집 및 저장할 수 있으며, 처리 서버는 이렇게 원시 자료의 형태로 수집 및 저장되어 있는 ADS-B 데이터를 별도로 처리(예를 들어, 디코딩 및/또는 유효성 검증 등)한 후 항로 기상 데이터를 추출할 수 있다. 이렇게 추출된 항로 기상 데이터는 항로 기상 예측 엔진을 구축하는 데 사용될 뿐 아니라, 구축된 항로 기상 예측 엔진의 입력 데이터로서 사용되게 된다.
도 8은 본 발명의 일 실시예에 따른 항로 기상 예측 엔진의 검증 방법을 예시한 순서도이다.
특히, 본 순서도는 도 2에서 검증 상태를 거쳐 학습 상태(201)로 순환하는 과정을 보다 더 구체화 한 실시예에 해당한다. 따라서, 본 순서도의 동작이 완료되면, 새롭게 업데이트된 항로 기상 예측 엔진을 기초로 도 2의 예측 상태가 수행될 수 있다.
도 8을 참조하면, 항로 기상 예측 엔진의 검증을 위해, 항로 기상 예측 시스템은 우선 PIREP 및/또는 AIREP을 수신할 수 있다(S801). 여기서, PIREP은 'Pilot (Weather) Report'의 약자로, 항공기의 조종사가 직접 항로 상의 기상 상태를 보고하기 위해 생성 및 전송되는 데이터이고, AIREP은 'Air (Weather) Report'의 약자로, 비행 중인 항공기가 직접 센싱/인지/감지한 기상 상태를 보고하기 위해 생성 및 전송되는 데이터이다. 이러한 PIREP 및/또는 AIREP은 인코딩되어 기상청, 항공 기상청, 항공 교통 서비스 부서 등으로 전달될 수 있다. PIREP 및/또는 AIREP에는 실제 항로 상의 기상 상태에 관한 직접적인 보고/센싱 정보가 포함되어 있으므로, 정확도 및 신뢰도가 매우 높다는 특징을 갖는다. 따라서, 본 발명의 항로 기상 예측 시스템은 이러한 PIREP 및/또는 AIREP을 수신하여 항로 기상 예측 엔진의 정확도를 검증하는 데 사용할 수 있다. 이를 위해, 항로 기상 예측 시스템은 PIREP 및/또는 AIREP을 수신하기 위한 수신 장치(또는 수신기)를 별도로/추가로 구비할 수 있다.
다음으로, 항로 기상 예측 시스템은 수신한 PIREP 및/또는 AIREP을 이용하여 항로 기상 예측 엔진의 예측 결과를 검증할 수 있다(S802). 보다 상세하게는, 항로 기상 예측 시스템은, 항로 기상 예측 엔진이 예측 대상 항공기에 대해 예측한 결과를, 예측 대상 항공기가 전송한 PIREP 및/또는 AIREP과 비교하여 상호 일치하는지 여부를 판단함으로써 예측 결과를 검증할 수 있다. 나아가, 항로 기상 예측 시스템은 일치 정도(즉, 검증 결과)를 수치화하여 '예측 정확도/신뢰도'로서 산출할 수 있다. 예를 들어, 항로 기상 예측 엔진이 위험 기상 현상을 예측하였으나 PIREP 및/또는 AIREP을 분석한 결과 위험 기상 현상이 발생하지 않았던 경우, 위험 기상 현상을 예측하지 못하였으나 PIREP 및/또는 AIREP을 분석한 결과 위험 기상 현상이 실제로 발생했던 경우 등에, 항로 기상 예측 시스템은, 현재의 항로 기상 예측 엔진의 예측 정확도를 기존 평가 결과로 산출되어 있던 예측 정확도보다 낮게 설정할 수 있다(예를 들어, 이전에 항로 기상 예측 엔진을 평가한 예측 정확도가 80인 경우, 5만큼 낮춘 75로 평가할 수 있음). 반대의 경우에 항로 기상 예측 시스템은, 항로 기상 예측 엔진의 예측 정확도를 기존에 평가되어 있던 예측 정확도보다 높게 평가할 수 있다. 항로 기상 예측 시스템은, 이렇듯 실시간으로 예측 정확도를 평가할 수도 있고, 일정 기간 동안의 예측 결과를 종합적으로 분석하여 예측 정확도를 평가할 수도 있다. 예를 들어, 항로 기상 예측 시스템은, 4월 1일부터 4월 15일까지 예측된 예측 결과들을 해당 기간 동안 수집한 PIREP 및/또는 AIREP과 비교하여 일치 정도를 예측 정확도로 산출할 수 있다. 항로 기상 예측 엔진을 검증(또는 정확도를 평가)하는 주기는 사용자에 의해 특정 날짜 주기로 설정될 수 있다.
다음으로, 항로 기상 예측 시스템은 검증 결과, 항로 기상 예측 엔진의 예측 정확도가 기설정된 레벨 이하인지 여부를 판단할 수 있다(S803). 만일, 예측 정확도가 기설정된 레벨 이하인 경우, 항로 기상 예측 시스템은 항로 기상 예측 엔진을 업데이트할 수 있다(S804).
보다 상세하게는, 항로 기상 예측 시스템은 항로 기상 예측 엔진의 예측 결과가 PIREP 및/또는 AIREP에 포함되어 있는 기상 상태와 상이했던 경우의 ADS-B 데이터들로부터 항로 기상 데이터를 추출할 수 있다. 항로 기상 데이터를 추출하는 방식은 앞서 도 3에 상술한 바와 같다. 다음으로, 항로 기상 예측 시스템은 추출한 항로 기상 데이터를 학습하여 항로 기상 예측 엔진에 기확립되어 있는 기상 조건을 미세 조정할 수 있다. 예를 들어, 항로 기상 예측 엔진에 기확립되어 있던 온도 조건이 -20.56℃이나, 항로 기상 예측 시스템이 예측이 틀렸던 ADS-B 데이터로부터 추출한 항로 기상 데이터를 학습한 결과, 위험 기상 현상이 발생한 당시의 온도 조건이 평균 -22.88℃였던 경우, 항로 기상 예측 엔진의 온도 조건을 -22.88℃로 조정하거나, -20.56℃ 및 -22.88℃의 평균 값인 -21.72℃로 조정할 수도 있다.
본 순서도를 통해, 항로 기상 예측 시스템은 항로 기상 예측 엔진을 항상 검증하고 업데이트함으로써, 예측 정확도 및 신뢰도를 항상 일정 수준 이상으로 유지할 수 있게 된다는 장점을 갖는다.
본 발명에 따른 실시예는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시예는 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
또한, 펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현되어, 다양한 컴퓨터 수단을 통하여 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
아울러, 본 발명에 따른 장치나 단말은 하나 이상의 프로세서로 하여금 앞서 설명한 기능들과 프로세스를 수행하도록 하는 명령에 의하여 구동될 수 있다. 예를 들어 그러한 명령으로는, 예컨대 JavaScript나 ECMAScript 명령 등의 스크립트 명령과 같은 해석되는 명령이나 실행 가능한 코드 혹은 컴퓨터로 판독 가능한 매체에 저장되는 기타의 명령이 포함될 수 있다. 나아가 본 발명에 따른 장치는 서버 팜(Server Farm)과 같이 네트워크에 걸쳐서 분산형으로 구현될 수 있으며, 혹은 단일의 컴퓨터 장치에서 구현될 수도 있다.
또한, 본 발명에 따른 장치에 탑재되고 본 발명에 따른 방법을 실행하는 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일 되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
설명의 편의를 위하여 각 도면을 나누어 설명하였으나, 각 도면에 서술되어 있는 실시예들을 병합하여 새로운 실시예를 구현하도록 설계하는 것도 가능하다. 또한, 본 발명은 상술한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상술한 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
또한, 이상에서는 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 명세서는 상술한 특정의 실시예에 한정되지 아니하며, 청구 범위에서 청구하는 요지를 벗어남이 없이 당해 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 명세서의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: ADS-B 데이터 전송 체계
110: 항공 기상 예측 서비스
101: 항공기
102: 항공기 수집 기상 정보 수신 장치
111: 수집 서버
112: 처리 서버
110: 항공 기상 예측 서비스
101: 항공기
102: 항공기 수집 기상 정보 수신 장치
111: 수집 서버
112: 처리 서버
Claims (7)
- ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템에 있어서,
적어도 하나의 항공기로부터 상기 적어도 하나의 항공기가 수집한 항로 기상 데이터가 포함된 ADS-B 데이터를 수신하는, 항공기 수집 기상 정보 수신 장치;
상기 항공기 수집 기상 정보 수신 장치로부터 상기 ADS-B 데이터를 수집하는, 수집 서버; 및
상기 수집 서버가 수집한 ADS-B 데이터를 처리하는, 처리 서버; 를 포함하되,
상기 처리 서버는,
상기 ADS-B 데이터에 포함된 상기 항로 기상 데이터를 추출하고,
상기 추출한 항로 기상 데이터를 기초로 상기 위험 기상 현상이 발생했던 과거의 기상 조건을 학습하여, 상기 위험 기상 현상이 발생하기 위한 기상 조건이 확립된 항로 기상 예측 엔진을 구축하고,
상기 구축한 항로 기상 예측 엔진을 이용하여 예측 대상 항공기로부터 상기 ADS-B 데이터를 수신하고, 상기 수신한 ADS-B 데이터로부터 상기 예측 대상 항공기의 항로 기상 상태를 추출하여, 상기 예측 대상 항공기의 항로 상에 발생 가능한 위험 기상 현상을 미리 예측하고, 상기 예측 대상 항공기로부터 상기 예측 대상 항공기의 항로 상의 기상 상태에 관한 PIREP(Pilot Report) 및 AIREP(Air Report) 중 적어도 하나를 수신하고, 상기 PIREP 및 상기 AIREP 중 적어도 하나를 이용하여 상기 예측 대상 항공기에 대한 상기 항로 기상 예측 엔진의 예측 결과를 검증하고, 상기 검증 결과, 상기 항로 기상 예측 엔진의 예측 정확도가 기설정된 레벨 이하인 경우, 상기 항로 기상 예측 엔진을 업데이트하고,
상기 항로 기상 예측 엔진은,
상기 예측 대상 항공기의 항로 기상 상태를 입력 데이터로서 입력받고, 상기 입력 데이터와 상기 확립된 기상 조건 사이의 유사 정도에 기초하여 상기 예측 대상 항공기의 항로 상 위험 기상 현상의 발생 가능성을 예측 결과로서 출력하는 엔진인, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 위험 기상 현상이 발생했던 과거의 기상 조건을 학습하는 것은,
ANN(Artificial Neural Network), DNN(Deep Neural Network), CNN(Convolution Neural Network), RNN(Recurrent Neural Network) 및 XGBoost(Extreme Gradient Boosting) 중 적어도 하나에 기초하여 상기 위험 기상 현상이 발생했던 과거의 기상 조건을 학습하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 예측 결과를 상기 예측 대상 항공기로 전송하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 항로 기상 예측 엔진에 의해 상기 위험 기상 현상의 발생 가능성이 기설정된 레벨 이상으로 예측된 경우,
상기 위험 기상 현상의 발생 위험을 알리는 경보(alert)를 제공하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 항로 기상 예측 엔진을 업데이트하는 것은,
상기 항로 기상 예측 엔진의 예측 결과가 상기 PIREP 및 AIREP 중 적어도 하나에 포함되어 있는 기상 상태와 상이했던 경우의 ADS-B 데이터들로부터 항로 기상 데이터를 추출하고,
상기 추출한 항로 기상 데이터를 학습하여 상기 항로 기상 예측 엔진에 기확립되어 있는 기상 조건을 미세 조정하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 항로 상의 위험 기상 현상은, 윈드 시어(Wind shear) 및 마이크로버스트(Microburst)를 포함하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템. - 제 1 항에 있어서,
상기 적어도 하나의 항공기가 수집한 항로 기상 데이터는 AMDAR(Aircraft Meteorological Data Relay)를 포함하는, ADS-B 데이터 기반의 항로 기상 예측 및 업데이트 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220125742A KR102508762B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200079996A KR102451780B1 (ko) | 2020-06-30 | 2020-06-30 | Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템 |
KR1020220125742A KR102508762B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200079996A Division KR102451780B1 (ko) | 2020-06-30 | 2020-06-30 | Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220137606A true KR20220137606A (ko) | 2022-10-12 |
KR102508762B1 KR102508762B1 (ko) | 2023-03-10 |
Family
ID=79347685
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200079996A KR102451780B1 (ko) | 2020-06-30 | 2020-06-30 | Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템 |
KR1020220125746A KR102508763B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 및 검증 방법, 장치 및 시스템 |
KR1020220125744A KR102508764B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 엔진 업데이트 방법, 장치 및 시스템 |
KR1020220125742A KR102508762B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200079996A KR102451780B1 (ko) | 2020-06-30 | 2020-06-30 | Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템 |
KR1020220125746A KR102508763B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 및 검증 방법, 장치 및 시스템 |
KR1020220125744A KR102508764B1 (ko) | 2020-06-30 | 2022-09-30 | Ads-b 데이터 기반의 항로 기상 예측 엔진 업데이트 방법, 장치 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (4) | KR102451780B1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466103B (zh) * | 2020-11-12 | 2021-10-01 | 北京航空航天大学 | 航空器飞行威胁演化预警方法、装置、设备及存储介质 |
KR102566472B1 (ko) * | 2022-12-14 | 2023-08-11 | 주식회사 윈드위시 | 바람 예측 및 패트롤 드론을 이용한 항공 모빌리티 및 물류 드론 제어 장치, 방법 및 시스템 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120035127A (ko) * | 2010-10-04 | 2012-04-13 | 세이코 엡슨 가부시키가이샤 | 기상 변동 예측 정보 제공 시스템 및 기상 변동 예측 정보 제공 방법 |
JP2014196906A (ja) * | 2013-03-29 | 2014-10-16 | 株式会社東芝 | 気象観測装置 |
US9171473B1 (en) * | 2011-12-06 | 2015-10-27 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace |
KR101823992B1 (ko) * | 2017-06-08 | 2018-02-01 | (주)한국해양기상기술 | 항공 안전 지원 방법 및 서버 |
US10578440B1 (en) * | 2017-08-04 | 2020-03-03 | The United States Of America, As Represented By The Secretary Of The Navy | Atmospheric infrasonic sensing from an aircraft |
-
2020
- 2020-06-30 KR KR1020200079996A patent/KR102451780B1/ko active Application Filing
-
2022
- 2022-09-30 KR KR1020220125746A patent/KR102508763B1/ko active IP Right Grant
- 2022-09-30 KR KR1020220125744A patent/KR102508764B1/ko active IP Right Grant
- 2022-09-30 KR KR1020220125742A patent/KR102508762B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120035127A (ko) * | 2010-10-04 | 2012-04-13 | 세이코 엡슨 가부시키가이샤 | 기상 변동 예측 정보 제공 시스템 및 기상 변동 예측 정보 제공 방법 |
US9171473B1 (en) * | 2011-12-06 | 2015-10-27 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace |
JP2014196906A (ja) * | 2013-03-29 | 2014-10-16 | 株式会社東芝 | 気象観測装置 |
KR101823992B1 (ko) * | 2017-06-08 | 2018-02-01 | (주)한국해양기상기술 | 항공 안전 지원 방법 및 서버 |
US10578440B1 (en) * | 2017-08-04 | 2020-03-03 | The United States Of America, As Represented By The Secretary Of The Navy | Atmospheric infrasonic sensing from an aircraft |
Also Published As
Publication number | Publication date |
---|---|
KR20220001704A (ko) | 2022-01-06 |
KR102508764B1 (ko) | 2023-03-10 |
KR20220137607A (ko) | 2022-10-12 |
KR102451780B1 (ko) | 2022-10-07 |
KR102508763B1 (ko) | 2023-03-10 |
KR102508762B1 (ko) | 2023-03-10 |
KR20220137608A (ko) | 2022-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102508764B1 (ko) | Ads-b 데이터 기반의 항로 기상 예측 엔진 업데이트 방법, 장치 및 시스템 | |
US10175388B2 (en) | 4D volumetric weather data processing and display | |
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
US11087632B1 (en) | Autonomous UAV obstacle avoidance using machine learning from piloted UAV flights | |
US8200377B2 (en) | System for securing an aircraft flight plan | |
CN105894862B (zh) | 一种空中交通管制智能化指挥系统 | |
EP3716247A1 (en) | Method and system for detecting and avoiding loss of separation between vehicles and updating the same | |
US20120143505A1 (en) | Method And Device For Determining An Optimal Flight Trajectory Followed By An Aircraft | |
CN106297417A (zh) | 一种无人机飞行服务与监管系统及方法 | |
EP3716246A1 (en) | Method and system for detecting and avoiding loss of separation between vehicles | |
CN103680216B (zh) | 用于改进跑道状态感知的系统和方法 | |
CN109835490A (zh) | 用于生成包括预报轰鸣声容限阈值超过符号表示的航空电子显示的系统和方法 | |
TWI794516B (zh) | 透過空中交通管理電子系統的用於空中管理的訓練和/或輔助平台及方法 | |
Dhief et al. | A machine learned go-around prediction model using pilot-in-the-loop simulations | |
CN117314157A (zh) | 一种矿山边坡稳定性的安全评估方法、装置、介质及设备 | |
CN112731971B (zh) | 控制无人机降落的方法、装置、可读存储介质及电子设备 | |
CN116611581A (zh) | 一种基于知识图谱的气象对机场终端区影响的预测方法 | |
Daigle et al. | Real-time prediction of safety margins in the national airspace | |
Asmat et al. | UAS safety: unmanned aerial collision avoidance system (UCAS) | |
Ortega et al. | Improve decision-making process in Air Command and Control Systems with meteorological data fusion | |
CN117892985B (zh) | 面向应急突发情况下的机场航空器滑行动态恢复调度方法 | |
US20240101272A1 (en) | System and method for detecting aircraft energy anomaly using neural network model | |
US20230026962A1 (en) | Method for validating a terrain database | |
CN115862388A (zh) | 一种航班低空风切变预警方法、装置、设备及存储介质 | |
US20220246047A1 (en) | False target detection for airport traffic control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |