Detecting Marine Traffic Congestion based on AIS data

Abstract

최근 글로벌 교역량이 증가하면서 해상 교통 또한 더욱 복잡해지고 있다. 선박 간 충돌이 발생하면 금전적, 인명 피해가 크기 때문에 VTS와 같은 관제센터의 역할이 중요하게 여겨져 왔다. 그러나 기존의 관제 시스템은 관제사의 경험에 의존하여 객관적인 위험 기준이 존재하지 않는다. 따라서 신입 관제사의 경우 복잡한 해상 교통 상황을 정확히 판별하는데 한계가 있다. 또한 동시다발적으로 위험 상황이 존재할 경우 이를 파악하는데 어려움이 존재한다. 본 논문에서는 AIS 데이터를 기반으로 해상 교통 혼잡 상황 감지에 대한 새로운 접근법을 제시한다. AIS 데이터로부터 혼잡도를 파악할 수 있는 새로운 변수들을 정의하여 클러스터링 모델의 훈련에 활용하였다. 그 후 클러스터링의 결과를 혼잡 여부의 라벨로 활용하여 분류 모델을 사용하였으며, 최종적으로는 분류 모델을 통해 정의된 시간대에 해상 교통 혼잡도가 높은지 파악할 수 있다. 우리는 클러스터링 모델의 결과가 해상교통의 혼잡도가 높은 상황을 식별하고 있는지 CPA를 통해 검증하였다. 또한 해상 교통의 혼잡 여부를 판별할 수 있는 다양한 분류 모델의 성능을 비교하였다. 비교 결과 혼잡도가 높다고 분류된 군집의 CPA값이 다른 군집의 값보다 높았으며, 제안된 변수들을 사용하는 경우 CPA 값의 분산이 작았다. 또한 모든 분류 모델에서 높은 정확도를 보였다.

Recently, as global trade volume has increased, marine transportation has also become more complex. The role of a control center such as the VTS has been considered important because, when a collision between ships occurs, financial and human casualties are critical. However, the existing control system depends on the experience of the controller and there is no objective risk standard. Therefore, in the case of a new controller, there is a limit to accurately discriminating complex maritime traffic conditions. In addition, when a dangerous situation exists simultaneously, it is difficult for the controller to identify it. In this paper, we proposed a new approach to detecting maritime traffic congestion using clustering based on AIS data. New variables that can determine the degree of congestion from the AIS data were defined and used for training the clustering model. Through the clustering model, we can determine whether there is high sea traffic congestion in a defined time period. We verified whether the suggested variables were designed to understand the congestion level, and validated through CPA whether the results of the clustering model accurately classify the situation with high marine traffic congestion. We also compared the computation time of CPA and the proposed approach. As a result of the comparison, the CPA value of the cluster classified as highly congested was higher than the CPA value of the cluster classified as not congested, confirming that the proposed approach can be utilized in the real time.