해양환경안전학회지 (Journal of the Korean Society of Marine Environment & Safety)

  • 제29권7호
  • /
  • Pages.828-835
  • /
  • 2023
  • /
  • 1229-3431(pISSN)
  • /
  • 2287-3341(eISSN)
해양환경안전학회 (The Korean Society of Marine Environment and safety)
권호 표지
DOI QR코드

DOI QR Code

교통 네트워크 모델 기반 이상 운항 선박 식별에 관한 연구

Navigational Anomaly Detection using a Traffic Network Model

  • 오재용 (한국해양과학기술원 부설 선박해양플랜트연구소) ;
  • 김혜진 (한국해양과학기술원 부설 선박해양플랜트연구소)
  • Jaeyong Oh (Korea Research Institute of Ships and Ocean Engineering) ;
  • Hye-Jin Kim (Korea Research Institute of Ships and Ocean Engineering)
  • 투고 : 2023.10.17
  • 심사 : 2023.12.29
  • 발행 : 2023.12.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

해상교통관제센터(VTS)의 관제사는 구역 내 교통 상황을 빠르고 정확하게 파악하여 관제가 필요한 선박에게 정보를 제공하는 역할을 수행한다. 그러나 교통량이 급격히 증가하는 경우 관제사의 업무 부하로 인해 관제 공백이 발생하기도 한다. 이러한 이유에서 관제사의 업무 부하를 줄이고, 일관성 있는 관제 정보를 제공할 수 있는 관제 지원 기술의 개발이 필요한 실정이며, 본 논문에서는 구역 내 이상 운항 선박을 자동으로 식별하는 모델을 제안하였다. 제안하는 이상 운항 식별 모델은 규칙 기반 모델, 위치 기반 모델, 맥락 기반 모델로 구성되며, 대상 해역의 교통 특성에 최적화된 교통 네트워크 모델을 사용하는 특징이 있다. 구현된 모델은 시범센터(대산항 VTS)에서 수집되는 실해역 데이터를 적용하여 실험을 수행하였다. 실험을 통해 실해역의 다양한 이상 운항 상황이 자동으로 식별됨을 확인하였고, 전문가 평가를 통해 식별 결과를 검증하였다.

Vessel traffic service operators (VTSOs) need to quickly and accurately analyze the maritime traffic situation in the vessel traffic service (VTS) area and provide information to the vessels. However, if traf ic increases rapidly, the workload of VTSOs increases, and they may not be able to provide adequate information. Therefore, it is essential to develop VTSO support technologies that can reduce their workload and provide consistent information. In this paper, we propose a model for automatically detecting abnormal vessels in the VTS area. The proposed model consists of a positional model and a contextual model and is specifically optimized for the traffic characteristics of the target area. The implemented model was tested by using real-world data collected at a test center (Daesan Port VTS). Our experiments confirmed that the model could automatically detect various abnormal situations, and the results were validated through expert evaluation.

키워드

과제정보

본 논문은 해양경찰청의 "해상교통정보 빅데이터 구축 및 안전예보 시스템 기술 개발" 과제의 지원을 받아 수행되었습니다(해양경찰청 20190496 (IRIS RS-2019-KS191295)).

참고문헌

  1. Ester, M., H. P. Kriegel, J. Sander, and X. Xu(1996), A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining, pp. 226-231.
  2. Moreno, F. C., J. R. Gonzalez, J. S. Muro, and J. A. G. Maza (2022), Relationship between human factors and a safe performance of vessel traffic service operators: A systematic qualitative-based review in maritime safety, Safety Science, Vol. 155, 105892.
  3. Guo, S., J. Mou, L. Chen, and P. Chen(2021), An Anomaly Detection Method for AIS Trajectory Based on Kinematic Interpolation, Journal of Marine Science and Engineering, 609.
  4. Korea Coast Guard(2023), http://www.kcg.go.kr/kgc/vts.
  5. Korea Coast Guard(2019), Vessel Traffic Services Act, Article 18.
  6. Laxhammar, R., G. Falkman, and E. Sviestins(2009), Anomaly detection in sea traffic-A comparison of the gaussian mixture model and the kernel density estimator, 12th international conference on information fusion, pp. 756-763.
  7. Lee, J. S., J. H. Kim, and E. K. Jang(2016), Analysis of VTS Operators' Situational Awareness Based on In-Field Observation and Subjective Rating Methods, Journal of Korean Navigation and Port Research, Vol. 40 No. 6, pp. 375-384. https://doi.org/10.5394/KINPR.2016.40.6.375
  8. Ministry of Government Legislation(2023), Act on the investigation of and inquiry into marine accidents.
  9. Ministry of Ocean and Fisheries(2023), Act on the arrival and departure of ships.
  10. Oh, J. Y. and H. J. Kim(2018), Detection of Ship Movement Anomaly using AIS Data: A Study, Journal of Korean Navigation and Port Research, Vol. 42, No. 4, pp. 277-282.
  11. Oh, J. Y. and H. J. Kim(2020), Spatiotemporal Analysis of Vessel Trajectory Data using Network Analysis, Journal of the Korean Society of Marine Environment & Safety Research Paper, Vol. 26, No. 7, pp. 759-766. https://doi.org/10.7837/kosomes.2020.26.7.759
  12. Ramer, U.(1972), An iterative procedure for the polygonal approximation of plane curves, Computer Graphics and Image Processing, Vol. 1, No. 3, pp. 244-256. https://doi.org/10.1016/S0146-664X(72)80017-0
  13. Smith, J., I. Nouretdinov, R. Craddock, C. Offer, and Gammerman(2014), A Anomaly Detection of Trajectories with Kernel Density Estimation by Conformal Prediction, In Artificial Intelligence Applications and Innovations pp. 271-280.
  14. Wang, X., X. Liu, B. Liu, E. N. de Souza, and S. Matwin (2014), Vessel route anomaly detection with Hadoop MapReduce, Proceedings of the IEEE International Conference on Big Data, Washington, DC, USA, pp. 25-30.
  15. Zhen, R., Y. Jin, Q. Hu, Z. Shao, and N. Nikitakos(2017), Maritime Anomaly Detection within Coastal Waters Based on Vessel Trajectory Clustering and Naive Bayes Classifier, Journal of Navigation Vol. 70, No. 3 pp. 648-670. https://doi.org/10.1017/S0373463316000850