온라인 학습 기반 항공기 상승 경로 예측 모델

초록

본 논문은 항공기의 상승 구간을 하이브리드 시스템으로 수치 시뮬레이션하고, CMA‑ES 알고리즘을 이용해 다섯 개 파라미터를 온라인으로 최적화한다. 최적화된 모델은 기존 BADA 기본값 대비 예측 오차를 크게 감소시키며, 시간에 따른 오차 한계 영역을 추정한다. 정적·동적 두 가지 실험을 통해 모델의 유효성을 검증하고, 실시간 업데이트 방식이 통계적으로 유의미한 정확도 향상을 제공함을 보였다.

상세 분석

이 연구는 항공기 상승 단계의 물리적·운용적 특성을 포괄하는 하이브리드 시스템을 설계함으로써 기존 BADA(베이직 항공기 데이터) 모델의 한계를 보완한다. 하이브리드 모델은 연속적인 미분 방정식 기반의 항공역학 모델과, 비선형성·불확실성을 보정하기 위한 경험적 보정 함수로 구성된다. 핵심 파라미터 다섯 개는 엔진 추력 계수, 공기저항 계수, 기상 보정 인자, 무게 보정 인자, 그리고 고도에 따른 연료 소모 비율이다. 이 파라미터들은 비선형 최적화에 강인한 Covariance Matrix Adaptation Evolution Strategy(CMA‑ES)를 통해 실시간 데이터(위치, 속도, 고도, 기상 정보)를 이용해 연속적으로 업데이트된다. CMA‑ES는 탐색 공간의 공분산 행렬을 적응적으로 조정함으로써 전역 최적점을 효율적으로 탐색하고, 로컬 최소에 빠지는 위험을 최소화한다.

모델의 정확도 평가는 두 단계로 진행된다. 첫 번째는 ‘오프라인’ 실험으로, 이륙 직후 한 번의 전체 경로 예측을 수행하고, 예측된 고도·속도와 실제 측정값을 비교한다. 여기서 기본 BADA 파라미터와 최적화된 파라미터를 각각 적용해 오차 분포를 분석했으며, 최적화 모델이 평균 절대 오차를 약 30 % 이상 감소시켰음을 확인했다. 두 번째는 ‘온라인’ 실험으로, 비행 중 실시간 위치 정보를 입력받아 매 30 초마다 예측을 갱신한다. 이 과정에서 모델은 누적 오차를 추적하고, 오차 공분산을 기반으로 예측 신뢰 구간을 제공한다. 온라인 실험 결과는 통계적 검정(t‑test, p < 0.01)에서 기존 모델 대비 유의미한 개선을 보였으며, 특히 고도 변화가 급격한 구간에서 오차 감소 효과가 두드러졌다.

또한, 논문은 모델의 ‘유효 영역(domain of validity)’을 정의한다. CMA‑ES가 수렴한 파라미터 집합을 기반으로 오차 공분산 행렬을 전파하여, 시간에 따른 오차 상한을 정량화한다. 이를 통해 항공 교통 관제 시스템은 예측 신뢰도를 실시간으로 판단하고, 필요 시 보조 조치를 취할 수 있다.

한계점으로는 파라미터 최적화에 필요한 초기 데이터 양이 충분히 확보되지 않을 경우 수렴 속도가 저하될 수 있다는 점과, 기상 변화가 급격히 발생할 경우 보정 함수의 반응성이 제한적일 수 있다는 점을 지적한다. 향후 연구에서는 다중 항공기 간 상호작용을 고려한 공동 최적화와, 딥러닝 기반 보정 함수 도입을 통해 비선형성을 더욱 정교하게 모델링할 계획이다.