항공 경로 클러스터링과 실시간 공역 건강 모니터링

초록

본 논문은 레이더 트랙 데이터를 기반으로 항공기의 정상 궤적을 데이터‑드리븐 방식으로 학습하고, 이를 클러스터링하여 전형적인 운항 패턴을 도출한다. 도출된 패턴을 기준으로 실시간으로 현재 운항이 표준에 부합하는지를 평가하고, 부합 여부에 따라 공역 복잡도 지표를 산출한다. AirTrajectoryMiner라는 시스템을 구현해 실시간 공역 “건강도”를 시각화하며, ATC가 비정상 상황을 조기에 인지하도록 지원한다.

상세 요약

이 연구는 항공 교통 관제의 핵심 과제인 “정상 운항 패턴의 정의”와 “비정상 상황의 조기 탐지”를 데이터 기반 클러스터링 기법으로 해결하고자 한다. 먼저 레이더에서 수집된 3차원(시간·위치·고도) 궤적 데이터를 전처리하여 동일 공항·활주로·진입·이탈 구간별로 구분한다. 저자들은 두 가지 클러스터링 접근법을 제시한다. 첫 번째는 DTW(Dynamic Time Warping) 거리와 계층적 군집화를 결합한 방법으로, 시간축이 서로 다른 궤적 간의 형태적 유사성을 정량화한다. 두 번째는 고정된 시간‑간격 샘플링 후 K‑means를 적용해 고차원 특징 벡터를 생성하고, 실시간 적용성을 강조한다. 두 방법 모두 클러스터 수를 실루엣 점수와 BIC(Bayesian Information Criterion)로 자동 결정한다는 점이 특징이다.

클러스터링 결과는 “정상 궤적 프로파일”로 집계되며, 각 프로파일은 평균 궤적과 허용 편차(표준편차) 구간을 포함한다. 이후 실시간 트랙이 들어오면, 해당 트랙을 최근 1~2분 구간으로 슬라이딩 윈도우를 적용해 최근 궤적을 추출하고, 가장 근접한 정상 프로파일과의 거리(예: Mahalanobis 거리)를 계산한다. 이 거리가 사전에 정의된 임계값을 초과하면 비정상으로 판정하고, 복잡도 지표에 가중치를 부여한다. 복잡도는 단순히 비정상 트랙 수가 아니라, 비정상 정도와 해당 트랙이 차지하는 공역 영역(충돌 가능성)까지 고려한 가중합으로 정의된다.

시스템 구현 측면에서 AirTrajectoryMiner는 데이터 파이프라인(레이다 피드 → 전처리 → 클러스터 매칭 → 복잡도 계산)과 시각화 모듈(히트맵, 트랙 색상 변환, 알람)을 통합한다. 실험에서는 유럽 주요 공항의 6개월 레이더 데이터를 활용해 3가지 주요 접근·이착륙 패턴을 도출했고, 평균 92% 이상의 정확도로 정상/비정상을 구분했다. 특히 악천후나 비상 착륙 상황에서 복잡도 지표가 급격히 상승하는 것을 확인해, ATC가 추가적인 주의를 기울여야 함을 시각적으로 전달한다.

한계점으로는 클러스터링 단계에서 고도 변동이 큰 트랙에 대한 민감도가 낮아 일부 비정상 상황을 놓칠 가능성이 있다는 점, 그리고 실시간 성능이 레이더 업데이트 주기(1초)보다 약간 느릴 수 있다는 점을 들었다. 향후 연구에서는 딥러닝 기반 시계열 군집화와 강화학습을 통한 복잡도 최적화, 그리고 다공역(다중 공항) 연계 모니터링을 목표로 제시한다.