[논문 리뷰] The Unsupervised Method of Vessel Movement Trajectory Prediction

Chih‐Wei Chen, Charles Harrison외 1명|arXiv (Cornell University)|2020. 07. 27.

Maritime Navigation and Safety참고 문헌 9인용 수 4

한 줄 요약

이 논문은 학습 데이터가 필요 없이 AIS 데이터를 사용하여 선박 이동 경로를 예측하기 위해 비지도 군집 기반 경로 재구성(CBTR) 방법을 제안한다. 시간 간격, 재스케일링된 오차 거리, 공간-시간 각도의 3차원 특성 공간에서 선박 운동을 모델링함으로써 경로 피팅 후보를 선택하여 예측 정확도를 향상시켰으며, 50%의 데이터 다운샘플링 조건에서도 99% 이상의 정확한 이웃 비율을 달성한다.

ABSTRACT

In real-world application scenarios, it is crucial for marine navigators and security analysts to predict vessel movement trajectories at sea based on the Automated Identification System (AIS) data in a given time span. This article presents an unsupervised method of ship movement trajectory prediction which represents the data in a three-dimensional space which consists of time difference between points, the scaled error distance between the tested and its predicted forward and backward locations, and the space-time angle. The representation feature space reduces the search scope for the next point to a collection of candidates which fit the local path prediction well, and therefore improve the accuracy. Unlike most statistical learning or deep learning methods, the proposed clustering-based trajectory reconstruction method does not require computationally expensive model training. This makes real-time reliable and accurate prediction feasible without using a training set. Our results show that the most prediction trajectories accurately consist of the true vessel paths.

연구 동기 및 목표

• 라벨이 없는 학습 데이터가 존재하는 경우에도 흐린, 노이즈가 많고 불규칙하게 샘플링된 AIS 데이터를 기반으로 실시간으로 선박 경로를 예측하는 데 도전한다.
• 해양 AIS 스트림에서 변동하는 샘플 크기, 불규칙한 시간 샘플링, 높은 노이즈를 다루는 데에 한계가 있는 지도 학습 모델의 문제점을 해결한다.
• 지역적 위치 및 운동 정보를 활용하여 선박 항로를 재구성하는 확장성 있고 빅데이터 기반의 방법을 개발한다.
• 데이터 갭과 정체성 상실 조건에서도 정확한 경로 예측을 가능하게 하여 해양 안보 및 항해에 유용하다.
• 노폴크, 버지니아주에서 수집한 실제 및 시뮬레이션된 지역 AIS 데이터를 바탕으로, 다운샘플링 조건 하에서 본 방법의 강건성을 입증한다.

제안 방법

• 각 선박 포인트를 시간 간격, 예측된 위치와 실제 위치 간의 재스케일링된 오차 거리, 공간-시간 각도를 조합한 3차원 특성 공간에 표현한다.
• 전진 및 후진 예측 위치(P⁺(xᵢ) 및 P⁻(xⱼ))를 사용하여 오차 거리를 계산함으로써 정적 포인트 간 거리가 아닌 경로 피팅 정도를 측정한다.
• 국소 최적화를 통한 군집 적용: 오차 거리가 최소화되고 각도 제약 조건을 만족하는 경우 포인트 xᵢ와 xⱽ를 연결한다.
• 기하학적 및 시간적 제약 조건을 강제 적용: 시간 간격 ≤ 1000초, 공간-시간 각도 ≤ 84.26°(이동 쌍의 경우) 또는 ≤ 18.19°(정지 쌍의 경우), 공간 거리 < 350미터.
• 재스케일링된 오차 거리 및 회전 각도(≤ 53.13°)에 기반한 임계값 기반 선택을 통해 타당한 경로 세그먼트를 필터링한다.
• 전체 모델 학습 없이 국소 검색 전략을 활용한 탐욕적 방식으로 후보 포인트를 반복적으로 융합하여 일관된 경로를 생성한다.

실험 결과

연구 질문

• RQ1 라벨이 없는 학습 데이터가 존재하는 경우에도 노이즈가 많고 완전하지 않은 AIS 데이터에서 비지도 방법으로 선박 경로를 정확하게 재구성할 수 있는가?
• RQ2 기존 방법과 비교해 볼 때, 시간 간격, 재스케일링된 오차 거리, 공간-시간 각도로 구성된 3차원 특성 공간이 경로 예측 정확도 향상에 얼마나 효과적인가?
• RQ3 제안된 CBTR 알고리즘은 데이터 다운샘플링(예: 20% 및 50% 포인트 제거) 조건에서도 정확도를 유지하는가?
• RQ4 본 방법을 사용해 선박 경로를 정확하게 군집화하기 위한 충분하고 필수 조건은 무엇인가?
• RQ5 불규칙한 샘플링과 정체성 상실이 존재하는 실제 해역 AIS 데이터에서 본 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 20% 다운샘플링 조건에서 방법(1)을 사용한 AIS 데이터셋에서 정확한 이웃 비율이 각각 0.9960, 0.9951, 0.9942를 기록하여 높은 강건성을 입증한다.
• 50% 다운샘플링 조건(방법 1)에서도 정확한 이웃 비율이 0.9924, 0.9910, 0.9892로 유지되어 데이터 갭에 대한 내성을 입증한다.
• 학습 없이도 실제 선박 경로를 성공적으로 재구성하여 운영 해양 환경에서 실시간 구현에 적합하다.
• 이론적 분석을 통해 특정 기하학적 및 시간적 조건(예: 각도 ≤ 84.26°, 시간 간격 ≤ 1000초)을 만족할 경우에만 정확한 경로 군집화가 발생함을 확인한다.
• 정적 포인트 간 거리가 아닌 예측된 경로 피팅 정도에 초점을 맞추어 거짓 연결을 줄이며, 전통적 방법보다 뛰어난 성능을 발휘한다.
• 지역 운동 일관성과 예측 모델링에 기반함으로써 데이터가 흐리거나 손상된 경우에도 높은 정확도를 유지한다.