WO2021112431A1 - 선박의 지연 가능성 판단 방법 및 장치 - Google Patents

선박의 지연 가능성 판단 방법 및 장치 Download PDF

Info

Publication number
WO2021112431A1
WO2021112431A1 PCT/KR2020/015854 KR2020015854W WO2021112431A1 WO 2021112431 A1 WO2021112431 A1 WO 2021112431A1 KR 2020015854 W KR2020015854 W KR 2020015854W WO 2021112431 A1 WO2021112431 A1 WO 2021112431A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
delay
determining
vessel
possibility
Prior art date
Application number
PCT/KR2020/015854
Other languages
English (en)
French (fr)
Inventor
김성일
박재민
오용경
조수경
이주희
하승보
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Publication of WO2021112431A1 publication Critical patent/WO2021112431A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • AIS Automatic Ship Identification System
  • the method comprising: outputting restoration data by inputting the operating state data of the target vessel into a vessel operating state inference model learned from normal operating data; Calculating a difference between the operation state data and the output restoration data, calculating a delay probability score of the target vessel based on the difference, and delay of the target vessel based on a delay probability score of the operation state data It may include the step of determining the degree of possibility.
  • the normal operation data and the operation state data may include at least one of latitude coordinates, longitude coordinates, operation speed, operation direction, and operation time of the vessel.
  • the method may further include pre-processing the operation state data.
  • the pre-processing may include converting a plurality of operation characteristic data of the normal operation data into vector information.
  • the converting into the vector information includes mapping a vector matrix element to each section of the navigation characteristic data, determining a section of the navigation characteristic data including a characteristic value of the navigation characteristic data, and the determined
  • the method may include generating the vector information by assigning a value to a vector matrix element to which a navigation characteristic data section is mapped.
  • the step of determining the degree of delay possibility of the target vessel may include calculating a probability distribution of the delay probability score of the normal operation data.
  • the calculating of the probability distribution may include selecting a kernel of a kernel density estimation based on a distribution characteristic of delay probability scores of the normal flight data, and determining the probability distribution according to the kernel density estimation. may include steps.
  • the step of determining the degree of delay probability of the target vessel is the step of determining a probability distribution of the delay probability score of the normal operation data, and the delay probability score of the operation state data is greater than or equal to the delay threshold score determined for the probability distribution It may include the step of determining whether the recognition.
  • the method before receiving the input data, may further include determining the delay threshold score based on the probability distribution.
  • the method may include acquiring regular normal operation data by estimating the operating state data between the discontinuous time points.
  • the method for determining the possibility of delay of a ship may determine the possibility of delay by inputting operational state data of the target ship into the learned inference model.
  • the method for determining the delay possibility of a ship calculates a delay probability score based on an inference model learned from the normal operation data, and compares the delay probability score of the normal operation data with the delay probability score of the target vessel. delay can be assessed.
  • FIG. 1 is a flowchart illustrating a method of determining the possibility of delay of a ship according to an exemplary embodiment.
  • FIG. 2 is a diagram illustrating pre-processing of operation state data and normal operation data of a target vessel according to an exemplary embodiment.
  • FIG. 3 is a diagram illustrating learning of a ship operation state inference model based on normal operation data according to an embodiment.
  • FIG. 4 is a diagram illustrating a probability distribution of delay probability scores of normal flight data according to an embodiment.
  • FIG. 5 is a graph illustrating a control chart of a delay probability score according to an embodiment.
  • FIG. 6 is a flowchart illustrating a method of learning a ship operation state inference model and determining a delay possibility of a target ship according to an embodiment.
  • FIG. 7 is a block diagram illustrating an apparatus for determining the possibility of a target vessel delay according to an exemplary embodiment.
  • first or second may be used to describe various components, these terms should be interpreted only for the purpose of distinguishing one component from another.
  • a first component may be termed a second component, and similarly, a second component may also be termed a first component.
  • FIG. 1 is a flowchart illustrating a method of determining the possibility of delay of a ship according to an exemplary embodiment.
  • the processor for determining the possibility of delay of the vessel may output the restoration data by inputting the operating state data of the target vessel into the vessel operating state inference model learned from the normal operating data.
  • the normal operation data may be operation data of ships whose operation was not delayed in the past.
  • a method of learning the ship operation state inference model from the normal operation data and a method in which the processor outputs the restored data by the ship operation state inference model will be described in detail later with reference to FIG. 3 .
  • the processor may calculate a difference between the operation state data of the target vessel and the restoration data.
  • the processor may form the operation state data and the restored data as a vector matrix, and a difference between the operation state data and the restored data may be calculated based on a Euclidean distance between the two data.
  • the method of calculating the difference between the two data is not limited to the Euclidean distance, and may include a method of calculating based on a set of a series of parameters generated according to a variational autoencoder.
  • the processor may calculate a difference between the operation state data and the restoration data based on cross entropy.
  • the processor may generate a vector matrix of an order corresponding to the number of operation characteristic data, and may calculate a cross entropy between input data and output data of each operation characteristic data.
  • the processor may calculate a restoration error value based on binary cross entropy.
  • the processor may calculate a delay probability score of the target vessel based on the difference between the operation state data and the restoration data.
  • the processor may use the difference between the two data points as the delay probability score, but may calculate the delay probability score by normalizing the difference between the two data pieces.
  • the processor may determine the degree of delay possibility of the target vessel based on the delay probability score of the operation state data. According to an embodiment, the processor may determine whether the target vessel can be delayed according to whether the delay probability score of the target operation state data is equal to or greater than the delay threshold score. The processor determines whether the target vessel can be delayed based on the probability distribution of the delay probability score of the normal operation data and determines the delay threshold score will be described in detail later with reference to FIG. 4 .
  • FIG. 2 is a diagram illustrating pre-processing of operation state data and normal operation data of a target vessel according to an exemplary embodiment.
  • the processor may convert the plurality of operation characteristic data 220 into the vector information 200 by pre-processing the operation state data and the normal operation data of the target vessel.
  • the plurality of navigation characteristic data 220 are exemplified by the latitude coordinates 221 , the longitude coordinates 222 , the navigation speed 223 , the navigation direction 224 , and data related to the navigation time 225 .
  • the operation characteristic data is not limited to the above-described characteristics, and may include all data 226 related to the operation information of the vessel for determining the possibility of delay.
  • the processor may map the vector matrix elements 211 and 212 (vector matrix elements) for each section of the operation characteristic data, and determine the operation characteristic data section including the characteristic value of the operation characteristic data.
  • the processor may generate the vector information 200 by assigning values to the vector matrix elements 211 and 212 to which the determined navigation characteristic data section is mapped. For example, the processor may map the vector matrix elements 211 and 212 for each section by dividing the difference between the maximum value and the minimum value for each N (N is a natural number) operation characteristic data into k (k is a natural number) sections. . Since k sections are generated for each N pieces of flight characteristic data, the vector matrix 210 may be [N x k, 1]. However, this is an example, and the number of sections generated for each N pieces of operation characteristic data may not be collectively generated as k, but may be generated in a different number.
  • the processor calculates the vector matrix elements 211 and 212 in units of 0.3°. It can be mapped separately.
  • the processor may assign a value to the second vector matrix element 212 of the 100 vector matrix elements 211 and 212 .
  • a value assigned to the vector matrix element 212 may be 1, and a value of 0 may be assigned to the vector matrix element 211 except for the vector matrix elements 211 and 212 to which the value is assigned.
  • the processor may adjust the sensitivity of detecting anomalies in vessel operation by adjusting k.
  • k increases, the data range per section becomes smaller, and thus the sensitivity can be increased.
  • the processor calculates the vector matrix elements 211 and 212 It can be mapped in units of 0.1°. Since the vector matrix elements 211 and 212 are divided and mapped in units of 0.1°, the processor can adjust the sensitivity of detection of vessel operation anomalies in determining the possibility of vessel delay.
  • the processor may preprocess the plurality of normal flight data by estimating the operation state data between the discontinuous time points.
  • the processor may estimate the operation state data between discontinuous time points based on data interpolation, and may obtain regular normal operation data.
  • the processor may use a linear interpolation method as the data interpolation method, but may acquire regular normal operation data by analyzing operation data adjacent to the target operation data to be estimated.
  • FIG. 3 is a diagram illustrating learning of a ship operation state inference model based on normal operation data according to an embodiment.
  • the processor for learning the ship operation state inference model learns the probability distribution of the latent variable 340 for the normal operation data of ships whose operation is not delayed, and based on the probability distribution, the ship operation state inference model can create
  • the processor may train the vessel operation state inference model through a Variational Autoencoder (VAE) model.
  • VAE Variational Autoencoder
  • the variable autoencoder is a modified artificial neural network of the autoencoder, and is a probabilistic model for observed variables and latent variables 340 (latent variables).
  • the processor inputs the normal operation data 330 to the ship operation state inference model for learning, and reduces the dimension of the normal operation data to the latent variable 340 in the encoding process 310 . can In this process, the processor may learn the probability distribution of the latent variable 340 .
  • the latent variable 340 sampled from the probability distribution of the latent variable 340 can be restored to the restored data 350, and the restored data 350 and the normal operation data 330. It is possible to calculate the restoration error value of . Since the method of the processor calculating the difference between the normal operation data 330 and the restored data 350 has been described above with reference to FIG. 1 , a detailed description thereof will be omitted.
  • the processor may calculate a latency score based on the restoration error value.
  • Ocean transport operates a fairly long distance compared to other transports, and is affected by various internal and external environmental factors such as weather conditions and currents during operation. These complex effects cause ship operation delays, and non-linearities appear among various variables such as latitude/longitude, speed, and direction of ship operation data.
  • Variable autoencoder is a deep generative model of artificial intelligence. It can learn latent variables that are not specified in data, and can be very effective in dealing with nonlinearities between variables. .
  • the processor can identify latent characteristics of the data while learning variables such as latitude and longitude movement, speed, and direction of the vessel on the vessel operation data.
  • a latent space of the data may be learned based on the vessel operation data, and vessel information may be determined according to the learned latent space data. For example, as shown in FIG. 3 , the latent variable value of ships that are slow in speed and do not have a large degree of direction change is 0.89, which may indicate a container ship with a large cargo volume.
  • the differential autoencoder model is more efficient than the existing methods in quickly detecting the signs of potential delays in the operation of ships by learning the latent variables of the data and effectively dealing with non-linearities.
  • vessel operation data is irregularly generated from ships around the world in units of several minutes or hours at the longest, and the amount of data is very large and noise patterns may vary.
  • Variational autoencoders can effectively handle large-scale data and noise through dimensionality reduction and restoration, and latent variable learning in the process.
  • the ship operation status inference model using the differential autoencoder can create a single value for the delay probability score. This enables efficient monitoring and avoids the problems of multivariate control charts in building control charts.
  • FIG. 4 is a diagram illustrating a probability distribution of delay probability scores of normal flight data according to an embodiment.
  • the processor may determine the probability distribution based on the delay probability score of the normal operation data.
  • the processor estimates the probability distribution of the delay probability score using kernel density estimation, and may select a kernel in consideration of the distribution characteristic of the delay probability score of normal flight data. For example, the processor may select one of a Gaussian, a cosine, a uniform, and an Epanechnikov kernel based on a data distribution.
  • the processor may calculate a delay probability score of the target vessel based on the operating state data of the target vessel.
  • the processor may determine the degree of delay possibility according to whether the delay probability score of the flight state data is equal to or greater than the delay threshold score 420 determined for the probability distribution 400 .
  • the processor may determine that the delay probability of the target vessel is high, and if the delay probability score is less than the delay threshold score (420) (410), the processor can be judged that the possibility of delay of the target vessel is low.
  • the processor may determine the delay threshold score 420 based on the probability distribution 400 before receiving the input data.
  • the processor may determine the lower limit score corresponding to the upper constant ratio of the probability distribution 400 as the delay threshold score 420 .
  • FIG. 5 is a graph illustrating a control chart of a delay probability score according to an embodiment.
  • the processor may build a control chart 500 (control chart) based on the probability distribution of the calculated delay probability score.
  • the control chart 500 is a methodology for monitoring an abnormal state of an observation, and may determine an abnormal state based on statistical significance for a change in an observation.
  • the control chart 500 can build an effective and systematic monitoring system by using the management chart 500 suitable for the subject and situation to be monitored. Depending on the size or type of the monitored vessel, the operating line distance, etc., the characteristics of vessel operation vary, and a control chart 500 (eg, CUSUM control chart 500, X 2 control chart (500), etc.) can be monitored. For example, container cargo transport vessels are generally large in scale and have characteristics that changes during operation appear gradually, and the EWMA control chart 500 is effective for monitoring these vessels.
  • 5 may be an example of a ship delay monitoring system built based on the EWMA management chart 500 .
  • the processor may determine that the delay potential of the target vessel is high.
  • the processor may determine that the delay probability of the target vessel is low.
  • FIG. 6 is a flowchart illustrating a method of learning a ship operation state inference model and determining a delay possibility of a target ship according to an embodiment.
  • the processor may load the normal operation data from the memory or database (Load).
  • the normal operation data and the operation state data of the target vessel may include operation characteristic data, wherein the operation characteristic data includes at least one of data regarding latitude coordinates, longitude coordinates, operation speed, operation direction, and operation time of the vessel. can do.
  • the processor may pre-process the normal operation data. Since the method of pre-processing the normal flight data has been described in detail with reference to FIG. 2 , it will be omitted.
  • the processor may train a ship operation state inference model based on the differential autoencoder based on the preprocessed normal operation data.
  • the processor may learn the probability distribution of the normal operation data, and may determine the probability distribution of the delay probability score of the normal operation data through kernel density estimation.
  • the processor may obtain a delay probability score of the operation state data by inputting the operation state data of the target vessel into the vessel operation state inference model learned in operation 630 .
  • the processor may generate a control chart based on the delay probability score of the normal operation data and the operation state data, and monitor the delay probability score of the control chart.
  • FIG. 7 is a block diagram illustrating an apparatus for determining the possibility of a target vessel delay according to an exemplary embodiment.
  • the apparatus 700 for determining the possibility of delay of a target vessel may include a processor 710 and a memory 720 .
  • the processor 710 may output the restored data by inputting the operation state data of the target vessel into the vessel operation state inference model learned from the normal operation data of ships whose operation is not delayed.
  • the processor 710 calculates the difference between the operation state data and the output restoration data, calculates the delay probability score of the target vessel based on the difference, and the delay probability of the target vessel based on the delay probability score of the operation state data degree can be judged.
  • the processor 710 may learn a probability distribution of latent variables for normal operation data of ships whose operation is not delayed, and may generate a ship operation state inference model based on the probability distribution.
  • the memory 720 of the device 700 may at least temporarily store a plurality of normal operation data, the operation state data of the target vessel, and the vessel operation state inference model.
  • the embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the apparatus, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA) array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system.
  • the processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • OS operating system
  • the processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
  • Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device.
  • the software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave.
  • the software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software.
  • Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks.
  • - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Ocean & Marine Engineering (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

프로세서에 의해 대상 선박의 지연 가능성을 판단하는 방법에 있어서, 정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력하는 단계, 상기 운항상태 데이터와 상기 출력된 복원 데이터의 차이를 계산하는 단계, 상기 차이에 기초하여 상기 대상 선박의 지연 가능성 점수를 산출하는 단계, 및 상기 운항상태 데이터의 지연 가능성 점수에 기초하여 상기 대상 선박의 지연 가능성 정도를 판단하는 단계를 포함할 수 있다.

Description

선박의 지연 가능성 판단 방법 및 장치
이하, 선박의 지연 가능성을 판단하는 방법 및 장치에 관한 기술이 제공된다.
세계 교역량의 90% 이상은 해상 교역으로 이루어지지만, 선박 운항의 특성상 여러 예측하지 못한 기상 환경, 조류 등 내·외부 환경적 변수들로 인해 화물을 운반하는 선박의 운항이 지연되는 경우가 종종 있다. 이로 인해, 항만의 선석 운영, 터미널 내 양하 작업 등 항만 운영의 전반적인 스케줄링, 해상 운송 후 육류운송 계획, 화주의 화물 운용 계획 등 항만 내·외의 여러 이해관계자들의 운영에 있어서 상당한 시간적, 경제적 비용이 발생되고 있다. 선박의 운항에 있어서 선박자동식별시스템(AIS)이 활성화되어 있고, 이후 선박 궤적 데이터를 활용한 연구들이 시작되었지만, 아직 충분히 진행되지 못한 상태이다.
일실시예에 따른 프로세서에 의해 대상 선박의 지연 가능성을 판단하는 방법에 있어서, 정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력하는 단계, 상기 운항상태 데이터와 상기 출력된 복원 데이터의 차이를 계산하는 단계, 상기 차이에 기초하여 상기 대상 선박의 지연 가능성 점수를 산출하는 단계, 및 상기 운항상태 데이터의 지연 가능성 점수에 기초하여 상기 대상 선박의 지연 가능성 정도를 판단하는 단계를 포함할 수 있다.
상기 정상 운항 데이터 및 상기 운항상태 데이터는 선박의 위도 좌표, 경도 좌표, 운항 속도, 운항 방향, 및 운항 시간 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 상기 운항상태 데이터를 전처리하는 단계를 더 포함할 수 있다. 상기 전처리하는 단계는 상기 정상 운항 데이터들의 복수의 운항 특성 데이터들을 벡터 정보로 변환하는 단계를 포함할 수 있다.
상기 벡터 정보로 변환하는 단계는 상기 운항 특성 데이터의 구간마다 벡터 행렬 요소(vector matrix element)를 매핑하는 단계, 상기 운항 특성 데이터의 특성 값을 포함하는 운항 특성 데이터 구간을 결정하는 단계, 및 결정된 상기 운항 특성 데이터 구간이 매핑된 벡터 행렬 요소에 값을 부여함으로써, 상기 벡터 정보를 생성하는 단계를 포함할 수 있다.
일측에 따르면, 상기 대상 선박의 지연 가능성 정도를 판단하는 단계는 상기 정상 운항 데이터들의 지연 가능성 점수에 대한 확률분포를 계산하는 단계를 포함할 수 있다.
상기 확률분포를 계산하는 단계는 상기 정상 운항 데이터들의 지연 가능성 점수의 분포 특성에 기초하여 커널 밀도 추정의 커널을 선택하는 단계, 및 상기 커널 밀도 추정(kernel density estimation)에 따라 상기 확률분포를 결정하는 단계를 포함할 수 있다.
아울러, 상기 대상 선박의 지연 가능성 정도를 판단하는 단계는 상기 정상 운항 데이터의 지연 가능성 점수의 확률분포를 결정하는 단계, 및 상기 운항상태 데이터의 지연 가능성 점수는 상기 확률분포에 대해 결정된 지연 임계 점수 이상인지 여부를 판단하는 단계를 포함할 수 있다.
일측에 따르면, 입력 데이터를 수신하기 전에 상기 확률분포에 기초하여 상기 지연 임계 점수를 결정하는 단계를 더 포함할 수 있다.
또한, 상기 정상 운항 데이터들이 불연속한 시점들에서 획득된 데이터인 경우, 상기 불연속한 시점들 사이의 운항상태 데이터를 추정함으로써, 규칙적인 정상 운항 데이터를 획득하는 단계를 포함할 수 있다.
일실시예에 따른 선박의 지연 가능성 판단 방법은 학습된 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써, 지연 가능성을 판단할 수 있다.
일실시예에 따른 선박의 지연 가능성 판단 방법은 정상 운항 데이터에 의해 학습된 추론 모델에 기초하여 지연 가능성 점수를 산출함으로써, 정상 운항 데이터의 지연 가능성 점수와 대상 선박의 지연 가능성 점수를 비교하여 대상 선박의 지연 가능성을 판단할 수 있다.
도 1은 일실시예에 따른 선박의 지연 가능성을 판단하는 방법을 도시한 흐름도이다.
도 2는 일실시예에 따라 대상 선박의 운항상태 데이터 및 정상 운항 데이터를 전처리하는 것을 도시한 도면이다.
도 3은 일실시예에 따라 정상 운항 데이터에 기초하여 선박 운항상태 추론 모델을 학습하는 것을 도시한 도면이다.
도 4는 일실시예에 따른 정상 운항 데이터들의 지연 가능성 점수의 확률 분포를 도시한 도면이다.
도 5는 일실시예에 따라 지연 가능성 점수의 관리도(Control chart)를 도시한 그래프이다.
도 6은 일실시예에 따라 선박 운항상태 추론 모델을 학습시키고 대상 선박의 지연 가능성을 판단하는 방법을 도시한 흐름도이다.
도 7은 일실시예에 따른 대상 선박 지연 가능성을 판단하는 장치를 도시한 블록도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 선박의 지연 가능성을 판단하는 방법을 도시한 흐름도이다.
단계(110)에서, 선박의 지연 가능성을 판단하는 프로세서는 정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력할 수 있다. 정상 운항 데이터는 과거 운항이 지연되지 않았던 선박들의 운항 데이터일 수 있다. 정상 운항 데이터들로 선박 운항상태 추론 모델을 학습시키는 방법 및 프로세서가 선박 운항상태 추론 모델에 의해 복원 데이터를 출력하는 방법은 도 3을 통해 상세히 후술한다.
단계(120)에서, 프로세서는 대상 선박의 운항상태 데이터와 복원 데이터의 차이를 계산할 수 있다. 일실시예에 따른 프로세서는 운항상태 데이터와 복원 데이터를 벡터 행렬로 형성할 수 있고, 운항상태 데이터와 복원 데이터의 차이는 두 데이터간의 유클리드 거리(Euclidean distance)에 기초하여 계산할 수 있다. 그러나, 두 데이터간의 차이를 계산하는 방법은 유클리드 거리에만 국한되는 것이 아니고, 변분 오토인코더(Variational Autoencoder)에 따라 생성되는 일련의 파라미터의 집합에 기초하여 계산하는 방법을 포함할 수 있다.
일실시예에 따르면, 프로세서는 운항상태 데이터와 복원 데이터의 차이를 교차 엔트로피(cross entropy)에 기초하여 계산할 수 있다. 프로세서는 운항 특성 데이터 개수에 대응하는 차수의 벡터 행렬을 생성할 수 있는데, 각 운항 특성 데이터의 입력 데이터와 출력 데이터 간의 교차 엔트로피를 산출할 수 있다. 벡터 행렬 요소로 0과 1 값만 매핑된 경우, 프로세서는 이진 교차 엔트로피(binary cross entropy)에 기초하여 복원 오차 값을 계산할 수 있다.
단계(130)에서, 프로세서는 운항상태 데이터와 복원 데이터의 차이에 기초하여 대상 선박의 지연 가능성 점수를 산출할 수 있다. 일실시예에 따르면, 프로세서는 두 데이터 간의 차이를 지연 가능성 점수로 사용할 수 있으나, 두 데이터 간의 차이를 정규화(normailization)함으로써, 지연 가능성 점수를 산출할 수 있다.
단계(140)에서, 프로세서는 운항상태 데이터의 지연 가능성 점수에 기초하여 대상 선박의 지연 가능성 정도를 판단할 수 있다. 일실시예에 따르면, 프로세서는 대상 운항상태 데이터의 지연 가능성 점수가 지연 임계 점수 이상인지 여부에 따라 대상 선박의 지연 가능 여부를 판단할 수 있다. 프로세서가 정상 운항 데이터들의 지연 가능성 점수 확률분포에 기초하여 대상 선박의 지연 가능 여부를 판단하고, 지연 임계 점수를 결정하는 것은 도 4를 통해 상세히 후술한다.
도 2는 일실시예에 따라 대상 선박의 운항상태 데이터 및 정상 운항 데이터를 전처리하는 것을 도시한 도면이다.
일실시예에 따른 프로세서는 대상 선박의 운항상태 데이터 및 정상 운항 데이터를 전처리함으로써, 복수의 운항 특성 데이터들(220)을 벡터 정보(200)로 변환시킬 수 있다. 복수의 운항 특성 데이터들(220)을 예시적으로, 선박의 위도 좌표(221), 경도 좌표(222), 운항 속도(223), 운항 방향(224), 및 운항 시간(225)에 관한 데이터들 중 적어도 하나를 포함할 수 있다. 운항 특성 데이터는 상술한 특성들에만 국한되는 것이 아니라, 지연 가능성을 판단하기 위한 선박의 운항 정보에 관한 모든 데이터(226)를 포함할 수 있다.
프로세서는 운항 특성 데이터의 구간마다 벡터 행렬 요소(211, 212)(vector matrix element)를 매핑할 수 있고, 운항 특성 데이터의 특성 값을 포함하는 운항 특성 데이터 구간을 결정할 수 있다. 프로세서는 결정된 운항 특성 데이터 구간이 매핑된 벡터 행렬 요소(211, 212)에 값을 부여함으로써, 벡터 정보(200)를 생성할 수 있다. 예시적으로, 프로세서는 N(N은 자연수)개의 운항 특성 데이터 별로 최대값과 최소값의 차를 k(k는 자연수)개의 구간으로 나누어 각 구간마다 벡터 행렬 요소(211, 212)를 매핑할 수 있다. N개의 운항 특성 데이터 별로 k 개의 구간이 생성되었으므로, 벡터 행렬(210)은 [N x k, 1] 일 수 있다. 그러나, 이는 예시적인 것으로, N개의 운항 특성 데이터 별로 생성되는 구간은 일괄적으로 k개로 생성되지 않고, 다른 개수로 생성될 수 있다.
예시적으로, 운항 특성 데이터가 선박의 위도이고, 위도의 최대값은 90°, 최소값은 60°이며, 구간의 수 k가 100이라면, 프로세서는 벡터 행렬 요소(211, 212)를 0.3° 단위로 구분하여 매핑시킬 수 있다. 선박의 위도가 60.5°인 경우, 프로세서는 100개의 벡터 행렬 요소(211, 212) 중 2번째 벡터 행렬 요소(212)에 값을 부여할 수 있다. 벡터 행렬 요소(212)에 부여하는 값은 1이고, 값이 부여된 벡터 행렬 요소(211, 212)를 제외한 벡터 행렬 요소(211)에는 0 값을 부여할 수 있다.
일실시예에 따르면, 프로세서는 k를 조절함으로써, 선박 운항 이상 탐지의 민감도를 조절할 수 있다. k가 클수록 한 개의 구간 당 데이터 범위가 작아짐으로써, 민감도가 높아질 수 있다. 예시적으로, 운항 특성 데이터가 선박의 위도이고, 위도의 최대값은 90°, 최소값은 60°이며, 구간의 수 k가 100에서 300으로 높아진다면, 프로세서는 벡터 행렬 요소(211, 212)를 0.1° 단위로 구분하여 매핑시킬 수 있다. 벡터 행렬 요소(211, 212)를 0.1° 단위로 구분하여 매핑되므로, 프로세서는 선박 지연 가능성을 판단하는데 있어서 선박 운항 이상 탐지의 민감도를 조절할 수 있다.
다른 일실시예에 따르면, 복수의 정상 운항 데이터들이 불연속한 시점들에서 획득된 데이터들인 경우, 프로세서는 불연속한 시점들 사이의 운항상태 데이터를 추정함으로써, 복수의 정상 운항 데이터들을 전처리할 수 있다. 프로세서는 불연속한 시점들 사이의 운항상태 데이터를 데이터 보간법(interpolation)에 기초하여 추정할 수 있고, 규칙적인 정상 운항 데이터를 획득할 수 있다. 프로세서는 데이터 보간법으로 선형 보간법을 사용할 수 있지만, 추정하고자 하는 대상 운항 데이터와 인접한 운항 데이터를 분석함으로써, 규칙적인 정상 운항 데이터를 획득할 수 있다.
도 3은 일실시예에 따라 정상 운항 데이터에 기초하여 선박 운항상태 추론 모델을 학습하는 것을 도시한 도면이다.
일실시예에 따라 선박 운항상태 추론 모델을 학습하는 프로세서는 운항이 지연되지 않은 선박들의 정상 운항 데이터들에 대한 잠재변수(340)의 확률분포를 학습시키고, 확률분포에 기초하여 선박 운항상태 추론 모델을 생성할 수 있다. 일실시예에 따르면, 프로세서는 변분 오토인코더(VAE, Variational Autoencoder) 모델을 통해 선박 운항상태 추론 모델을 학습시킬 수 있다. 변분 오토인코더는 오토인코더(Autoencoder)의 변형된 인공신경망으로, 관측변수와 잠재변수(340)(Latent variable)에 관한 확률모델이다. 일실시예에 따른 프로세서는 학습을 위해 정상 운항 데이터들(330)을 선박 운항상태 추론 모델에 입력시키고, 인코딩(encoding) 과정(310)에서 정상 운항 데이터들을 잠재변수(340)로 차원을 축소시킬 수 있다. 이 과정에서, 프로세서는 잠재변수(340)의 확률분포를 학습할 수 있다.
프로세서 디코딩(decoding) 과정(320)에서 는 잠재변수(340) 확률분포로부터 샘플링된 잠재변수(340)를 복원 데이터(350)로 복원시킬 수 있고, 복원 데이터(350)와 정상 운항 데이터(330)의 복원 오차값을 산출할 수 있다. 프로세서는 정상 운항 데이터(330)와 복원 데이터(350)의 차이를 계산하는 방법은 도 1을 통해 선술하였으므로, 자세한 설명은 생략한다. 프로세서는 복원 오차값을 통해 지연 가능성 점수를 계산할 수 있다.
해양 운송은 다른 운송들에 비해 상당히 장거리를 운항하며, 운항중의 기상환경, 조류 등 다양한 내·외부의 환경적 요소들에 영향을 받는다. 이러한 복잡한 영향들은 선박 운항 지연의 원인이 되며, 선박 운항 데이터의 위·경도, 속도, 방향 등 여러 변수들 간에도 비선형성이 나타나게 만든다.
변분 오토인코더는 인공지능의 심층생성모델(Deep generative model)로서, 데이터에 명시되지 않은 잠재변수(Latent variable)를 학습할 수 있고, 그를 통해 변수들 간의 비선형성을 다루는 데에 매우 효과적일 수 있다. 프로세서는 선박 운항 데이터 상의 선박의 위·경도 움직임, 속도, 방향 등의 변수들을 학습하면서, 데이터에 잠재된 특성을 파악할 수 있다. 선박 운항 데이터에 기초하여 데이터의 잠재 공간(Latent space)를 학습하고, 학습된 잠재 공간의 데이터에 따라 선박 정보를 결정할 수 있다. 예를 들면, 도 3에서 도시된 것처럼, 속도가 늦고 방향 전환 정도가 크지 않은 선박들의 잠재변수 값은 0.89로, 화물의 규모가 큰 컨테이너선을 지시할 수 있다. 잠재변수 값이 0.012 이면 크루즈선, 잠재변수 값이 0.73이면 선박 규모이며, 잠재변수 값이 0.22이면 장거리 운항을 지시하는 것일 수 있다. 그러므로 변분 오토인코더 모델은 데이터의 잠재변수를 학습하고 비선형성을 효과적으로 다룸으로써, 선박의 운항에 잠재적 지연 가능성 징후를 빠르게 포착하는 데에 기존 방법들에 비해 효율적이다.
또한, 선박 운항 데이터는 전 세계 선박들로부터 짧게는 몇 분, 길게는 몇 시간 단위로 불규칙적으로 발생되며, 그 데이터 양이 매우 크고 노이즈(Noise) 패턴이 다양할 수 있다. 변분 오토인코더는 차원 축소와 복원, 그리고 그 과정에서의 잠재변수 학습을 통해, 큰 규모의 데이터와 그 안의 노이즈를 효과적으로 다룰 수 있다.
아울러, 변분 오토인코더를 활용한 선박 운항상태 추론 모델은 지연 가능성 점수를 단일한 값으로 만들어 낼 수 있다. 이는 효율적인 모니터링을 가능하게 하며, 관리도(Control chart) 구축에 있어서도 다변량 관리도의 문제점들을 피할 수 있게 한다.
도 4는 일실시예에 따른 정상 운항 데이터들의 지연 가능성 점수의 확률 분포를 도시한 도면이다.
일실시예에 따르면, 프로세서는 정상 운항 데이터들의 지연 가능성 점수에 기초하여 확률 분포를 결정할 수 있다. 프로세서는 커널 밀도 추정(Kernel Density Estimation)을 사용하여 지연 가능성 점수의 확률 분포를 추정하는데, 정상 운항 데이터들의 지연 가능성 점수의 분포 특성을 고려하여 커널을 선택할 수 있다. 예시적으로, 프로세서는 데이터 분포에 기초하여 가우시안(Gaussian), 코사인(Cosine), 유니폼(Uniform), Epanechnikov 커널 중 하나를 선택할 수 있다.
선박 운항상태 추론 모델의 학습이 완료된 후, 프로세서는 대상 선박의 운항상태 데이터에 기초하여 대상 선박의 지연 가능성 점수를 산출할 수 있다. 지연 가능성이 높은 선박의 운항 데이터가 모델에 입력되면, 입력데이터와 복원데이터의 차이가 커지게 되고, 정상 운항 데이터에 기초하여 획득된 지연 가능성 점수보다 큰 지연 가능성 점수를 출력하게 된다. 이 때, 프로세서는 운항상태 데이터의 지연 가능성 점수가 확률분포(400)에 대해 결정된 지연 임계 점수(420) 이상인지 여부에 따라 지연 가능성 정도를 판단할 수 있다. 예시적으로 지연 가능성 점수가 지연 임계 점수(420) 이상인 경우(430), 프로세서는 대상 선박의 지연 가능성이 높다고 판단할 수 있고, 지연 가능성 점수가 지연 임계 점수(420) 미만인 경우(410), 프로세서는 대상 선박의 지연 가능성이 낮다고 판단할 수 있다.
일실시예에 따르면, 프로세서는 입력 데이터를 수신하기 전에 확률분포(400)에 기초하여 지연 임계 점수(420)를 결정할 수 있다. 프로세서는 확률분포(400)의 상위 일정 비율에 해당하는 하한 점수를 지연 임계 점수(420)로 결정할 수 있다.
도 5는 일실시예에 따라 지연 가능성 점수의 관리도(Control chart)를 도시한 그래프이다.
프로세서는 산출된 지연 가능성 점수의 확률 분포를 바탕으로, 관리도(500)(Control chart)를 구축할 수 있다. 관리도(500)는 관측치의 이상(Abnormal) 상태를 모니터링 하는 방법론으로, 관측치의 변화에 대해 통계적 유의성을 바탕으로 이상(Abnormal) 상태를 결정할 수 있다. 관리도(500)는 모니터링하는 주제와 상황에 따라 그에 맞는 관리도(500)를 사용하여 효과적이고 체계적인 모니터링 시스템을 구축할 수 있다. 모니터링하는 선박의 규모나 종류, 운항 선로 거리 등에 따라, 선박 운항 상의 특징이 달라지며, 그에 맞는 관리도(500)(예: CUSUM 관리도(500), X 2관리도(500) 등)를 선택하여 모니터링 할 수 있다. 예를 들면, 컨테이너 화물 운송 선박은 대체로 규모가 크고 운항 중의 변화가 서서히 나타나게 되는 특성을 가지는데, 이러한 선박들을 모니터링 하는 데에는 EWMA 관리도(500)가 효과적이다. 도 5에는 EWMA 관리도(500) 기반의 구축된 선박 지연 모니터링 시스템 예시일 수 있다. 도 5의 관리도(500)에 따르면, 지연 임계 점수(530)가 설정되어 있고, 대상 선박의 지연 가능성 점수가 이를 초과하는 경우(520) 프로세서는 대상 선박의 지연 가능성이 높다고 판단할 수 있다. 대상 선박의 지연 가능성 점수가 이를 초과하지 않는 경우(510) 프로세서는 대상 선박의 지연 가능성이 낮다고 판단할 수 있다.
도 6은 일실시예에 따라 선박 운항상태 추론 모델을 학습시키고 대상 선박의 지연 가능성을 판단하는 방법을 도시한 흐름도이다.
단계(610)에서, 프로세서는 메모리 또는 데이터베이스로부터 정상 운항 데이터들을 로드(Load)할 수 있다. 정상 운항 데이터 및 대상 선박의 운항상태 데이터는 운항 특성 데이터들을 포함할 수 있는데, 운항 특성 데이터들은 선박의 위도 좌표, 경도 좌표, 운항 속도, 운항 방향, 및 운항 시간에 관한 데이터들 중 적어도 하나를 포함할 수 있다.
단계(620)에서, 프로세서는 정상 운항 데이터들을 전처리할 수 있다. 정상 운항 데이터들을 전처리하는 방법은 도 2를 통해 상세히 선술하였으므로, 생략한다.
단계(630)에서, 프로세서는 전처리된 정상 운항 데이터들에 기초하여 변분 오토인코더를 기반으로 한 선박 운항상태 추론 모델을 학습시킬 수 있다. 프로세서는 정상 운항 데이터의 확률분포를 학습할 수 있고, 커널 밀도 추정을 통해 정상 운항 데이터의 지연 가능성 점수 확률분포를 결정할 수 있다.
단계(640)에서, 프로세서는 대상 선박의 운항상태 데이터를 단계(630)에서 학습한 선박 운항상태 추론 모델에 입력함으로써, 운항상태 데이터의 지연 가능성 점수를 획득할 수 있다. 프로세서는 정상 운항 데이터 및 운항상태 데이터의 지연 가능성 점수에 기초하여 관리도를 생성할 수 있고, 관리도로 지연 가능성 점수를 모니터링할 수 있다.
도 7은 일실시예에 따른 대상 선박 지연 가능성을 판단하는 장치를 도시한 블록도이다.
일실시예에 따른 대상 선박 지연 가능성을 판단하는 장치(700)는 프로세서(710) 및 메모리(720)를 포함할 수 있다. 프로세서(710)는 운항이 지연되지 않은 선박들의 정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력할 수 있다. 아울러, 프로세서(710)는 운항상태 데이터와 출력된 복원 데이터의 차이를 계산하며, 차이에 기초하여 대상 선박의 지연 가능성 점수를 산출하고, 운항상태 데이터의 지연 가능성 점수에 기초하여 대상 선박의 지연 가능성 정도를 판단할 수 있다.
아울러, 일실시예에 따른 프로세서(710)는 운항이 지연되지 않은 선박들의 정상 운항 데이터들에 대한 잠재변수의 확률분포를 학습하고, 확률분포에 기초하여 선박 운항상태 추론 모델을 생성할 수 있다.
장치(700)의 메모리(720)는 복수의 정상 운항 데이터들, 대상 선박의 운항상태 데이터 및 선박 운항상태 추론 모델을 적어도 일시적으로 저장할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (19)

  1. 프로세서에 의해 대상 선박의 지연 가능성을 판단하는 방법에 있어서,
    정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력하는 단계;
    상기 운항상태 데이터와 상기 출력된 복원 데이터의 차이를 계산하는 단계;
    상기 차이에 기초하여 상기 대상 선박의 지연 가능성 점수를 산출하는 단계; 및
    상기 운항상태 데이터의 지연 가능성 점수에 기초하여 상기 대상 선박의 지연 가능성 정도를 판단하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  2. 제1항에 있어서,
    상기 정상 운항 데이터 및 상기 운항상태 데이터는,
    선박의 위도 좌표, 경도 좌표, 운항 속도, 운항 방향, 및 운항 시간 중 적어도 하나를 포함하는,
    선박의 지연 가능성 판단 방법.
  3. 제1항에 있어서,
    상기 운항상태 데이터를 전처리하는 단계
    를 더 포함하는 선박의 지연 가능성 판단 방법.
  4. 제3항에 있어서,
    상기 전처리하는 단계는,
    상기 정상 운항 데이터들의 복수의 운항 특성 데이터들을 벡터 정보로 변환하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  5. 제4항에 있어서,
    상기 벡터 정보로 변환하는 단계는,
    상기 운항 특성 데이터의 구간마다 벡터 행렬 요소(vector matrix element)를 매핑하는 단계;
    상기 운항 특성 데이터의 특성 값을 포함하는 운항 특성 데이터 구간을 결정하는 단계; 및
    상기 결정된 운항 특성 데이터 구간이 매핑된 벡터 행렬 요소에 값을 부여함으로써, 상기 벡터 정보를 생성하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  6. 제1항에 있어서,
    상기 대상 선박의 지연 가능성 정도를 판단하는 단계는,
    상기 정상 운항 데이터들의 지연 가능성 점수에 대한 확률분포를 계산하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  7. 제6항에 있어서,
    상기 확률분포를 계산하는 단계는,
    상기 정상 운항 데이터들의 지연 가능성 점수의 분포 특성에 기초하여 커널 밀도 추정의 커널을 선택하는 단계; 및
    상기 커널 밀도 추정(kernel density estimation)에 따라 상기 확률분포를 결정하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  8. 제1항에 있어서,
    상기 대상 선박의 지연 가능성 정도를 판단하는 단계는,
    상기 정상 운항 데이터의 지연 가능성 점수의 확률분포를 결정하는 단계; 및
    상기 운항상태 데이터의 지연 가능성 점수는 상기 확률분포에 대해 결정된 지연 임계 점수 이상인지 여부를 판단하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  9. 제8항에 있어서,
    입력 데이터를 수신하기 전에 상기 확률분포에 기초하여 상기 지연 임계 점수를 결정하는 단계
    를 더 포함하는 선박의 지연 가능성 판단 방법.
  10. 프로세서에 의해 선박 운항상태 추론 모델을 생성하는 방법에 있어서,
    운항이 지연되지 않은 선박들의 정상 운항 데이터들에 대한 잠재변수의 확률분포를 학습하는 단계;
    상기 확률분포에 기초하여 선박 운항상태 추론 모델을 생성하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  11. 제10항에 있어서,
    상기 정상 운항 데이터들을 전처리하는 단계
    를 더 포함하는 선박의 지연 가능성 판단 방법.
  12. 제11항에 있어서,
    상기 전처리하는 단계는,
    상기 정상 운항 데이터들이 불연속한 시점들에서 획득된 데이터인 경우, 상기 불연속한 시점들 사이의 운항상태 데이터를 추정함으로써, 규칙적인 정상 운항 데이터를 획득하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  13. 제11항에 있어서,
    상기 전처리하는 단계는,
    상기 정상 운항 데이터들의 복수의 운항 특성 데이터들을 벡터 정보로 변환하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  14. 제13항에 있어서,
    상기 벡터 정보로 변환하는 단계는,
    상기 운항 특성 데이터의 구간 마다 벡터 행렬 요소(vector matrix element)를 매핑하는 단계;
    상기 운항 특성 데이터의 특성 값을 포함하는 운항 특성 데이터 구간을 결정하는 단계; 및
    상기 결정된 운항 특성 데이터 구간이 매핑된 벡터 행렬 요소에 값을 부여함으로써, 상기 벡터 정보를 생성하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  15. 제10항에 있어서,
    상기 확률분포를 학습하는 단계는,
    변분 오토인코더(VAE, Variational Autoencoder) 모델을 통해 학습하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  16. 제10항에 있어서,
    상기 선박 운항상태 추론 모델로부터 출력된 상기 정상 운항 데이터의 복원 데이터와 상기 정상 운항 데이터의 차이를 계산하는 단계;
    상기 차이에 기초하여 상기 정상 운항 데이터의 지연 가능성 점수를 산출하는 단계;
    복수의 상기 정상 운항 데이터들의 지연 가능성 점수들로부터 확률분포를 계산하는 단계
    를 포함하는 선박의 지연 가능성 판단 방법.
  17. 제1항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
  18. 운항이 지연되지 않은 선박들의 정상 운항 데이터들로 학습된 선박 운항상태 추론 모델에 대상 선박의 운항상태 데이터를 입력함으로써 복원 데이터를 출력하고, 상기 운항상태 데이터와 상기 출력된 복원 데이터의 차이를 계산하며, 상기 차이에 기초하여 상기 대상 선박의 지연 가능성 점수를 산출하고, 상기 운항상태 데이터의 지연 가능성 점수에 기초하여 상기 대상 선박의 지연 가능성 정도를 판단하는 프로세서
    를 포함하는 선박 지연 가능성 판단 장치.
  19. 운항이 지연되지 않은 선박들의 정상 운항 데이터들에 대한 잠재변수의 확률분포를 학습하고, 상기 확률분포에 기초하여 선박 운항상태 추론 모델을 생성하는 프로세서
    를 포함하는 선박 운항상태 추론 모델을 생성하는 장치.
PCT/KR2020/015854 2019-12-03 2020-11-12 선박의 지연 가능성 판단 방법 및 장치 WO2021112431A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190158913A KR102250354B1 (ko) 2019-12-03 2019-12-03 선박의 지연 가능성 판단 방법 및 장치
KR10-2019-0158913 2019-12-03

Publications (1)

Publication Number Publication Date
WO2021112431A1 true WO2021112431A1 (ko) 2021-06-10

Family

ID=75914788

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/015854 WO2021112431A1 (ko) 2019-12-03 2020-11-12 선박의 지연 가능성 판단 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102250354B1 (ko)
WO (1) WO2021112431A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090008107A (ko) * 2007-07-17 2009-01-21 재팬 에즈 리프리젠티드 바이 디렉터 제네럴 어브 내쇼널 인스티튜트 포 랜드 앤드 인프라스트럭처 매니지먼트, 미니스트리 어브 랜드, 인프라스트럭처 앤드 트랜스포트 선박 동정 예측 방법 및 시스템
JP2012515395A (ja) * 2009-01-16 2012-07-05 ザ・ボーイング・カンパニー 航海効率の解析
KR20160036310A (ko) * 2014-09-25 2016-04-04 한국항공대학교산학협력단 궤적 패턴을 이용한 항공기 도착시간 예측 장치 및 방법
JP2016068892A (ja) * 2014-10-01 2016-05-09 三菱重工業株式会社 船舶の運航支援システム及び船舶の運航支援方法
JP2019070965A (ja) * 2017-10-10 2019-05-09 日本電信電話株式会社 学習装置、学習方法、プログラム
JP2019175287A (ja) * 2018-03-29 2019-10-10 国立研究開発法人 海上・港湾・航空技術研究所 移動体の避航判断方法、避航判断装置及び避航判断プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101902997B1 (ko) 2018-03-29 2018-10-01 한국해양과학기술원 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090008107A (ko) * 2007-07-17 2009-01-21 재팬 에즈 리프리젠티드 바이 디렉터 제네럴 어브 내쇼널 인스티튜트 포 랜드 앤드 인프라스트럭처 매니지먼트, 미니스트리 어브 랜드, 인프라스트럭처 앤드 트랜스포트 선박 동정 예측 방법 및 시스템
JP2012515395A (ja) * 2009-01-16 2012-07-05 ザ・ボーイング・カンパニー 航海効率の解析
KR20160036310A (ko) * 2014-09-25 2016-04-04 한국항공대학교산학협력단 궤적 패턴을 이용한 항공기 도착시간 예측 장치 및 방법
JP2016068892A (ja) * 2014-10-01 2016-05-09 三菱重工業株式会社 船舶の運航支援システム及び船舶の運航支援方法
JP2019070965A (ja) * 2017-10-10 2019-05-09 日本電信電話株式会社 学習装置、学習方法、プログラム
JP2019175287A (ja) * 2018-03-29 2019-10-10 国立研究開発法人 海上・港湾・航空技術研究所 移動体の避航判断方法、避航判断装置及び避航判断プログラム

Also Published As

Publication number Publication date
KR102250354B1 (ko) 2021-05-11

Similar Documents

Publication Publication Date Title
KR102291869B1 (ko) 비정상 트래픽 패턴의 탐지 방법 및 장치
CN113420073A (zh) 基于改进的孤立森林的异常样本检测方法及相关设备
CN111145076B (zh) 数据并行化处理方法、系统、设备及存储介质
CN109858239B (zh) 一种动静态结合的容器内cpu漏洞攻击程序检测方法
CN115328753B (zh) 一种故障预测方法及装置、电子设备、存储介质
CN112445847A (zh) 基于北斗导航时频数据的船舶轨迹预测方法及装置
WO2018044041A1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
CN109978055A (zh) 多传感器系统的信息融合方法及系统、计算机设备及介质
CN118457864A (zh) 船舶航行状态预测网络训练方法、应用方法、设备及介质
US12099915B2 (en) Method and apparatus for quantizing deep neural network
CN115797749A (zh) 一种水下自主航行器状态检测方法与系统
CN113139650A (zh) 深度学习模型的调优方法和计算装置
WO2023033194A1 (ko) 가지치기 기반 심층 신경망 경량화에 특화된 지식 증류 방법 및 시스템
WO2021112431A1 (ko) 선박의 지연 가능성 판단 방법 및 장치
CN112698977B (zh) 服务器故障定位方法方法、装置、设备及介质
CN116827685B (zh) 基于深度强化学习的微服务系统动态防御策略方法
KR20230062008A (ko) 트랜스포머 모델을 이용한 추론 방법 및 그 추론 방법을 수행하는 전자 장치
CN111047185B (zh) 贮存环境因素对弹药贮存可靠性影响的确定方法及装置
US20230386194A1 (en) System and method for on device edge learning
CN112418418B (zh) 基于神经网络的数据处理方法、装置、存储介质及服务器
KR20240039776A (ko) 시계열 데이터를 위한 학습가능한 gaf 방법 및 시스템
CN116934555B (zh) 一种基于物联网的安消一体化的管理方法及装置
WO2024091106A1 (en) Method and system for selecting an artificial intelligence (ai) model in neural architecture search (nas)
US20250037257A1 (en) State detection system and state detection method
CN119902904B (zh) 面向普惠算力的智能计算中心模型开发方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20897345

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20897345

Country of ref document: EP

Kind code of ref document: A1