수요 기반 비정확 비행 궤적 식별 및 필터링

초록

본 논문은 EUROCONTROL DDR에 저장된 과거 비행 데이터에서 발생하는 ‘고스트 플라이트’라 불리는 부정확한 궤적을 자동으로 탐지하고 제거하는 방법론을 제시한다. 요구 기반(on‑demand) 분석 프레임워크와 다중 단계 이상치 검출 알고리즘을 결합해 데이터 품질을 향상시키고, 항공 교통 관리 시스템의 신뢰성을 높이는 데 기여한다.

상세 분석

이 연구는 항공 교통 관리(ATM) 분야에서 데이터 정확도가 운영 효율과 안전성에 미치는 영향을 강조하며, 특히 EUROCONTROL이 운영하는 Demand Data Repository(DDR)에서 수집된 대규모 비행 궤적 데이터에 내재된 ‘고스트 플라이트’ 문제를 해결하고자 한다. 고스트 플라이트는 비행 계획과 실제 비행 사이에 불일치가 존재하거나, 센서 오류, 데이터 전송 결함 등으로 인해 비현실적인 궤적이 기록되는 현상을 의미한다. 이러한 부정확한 데이터는 통계 분석, 예측 모델링, 시뮬레이션 등에 사용될 경우 결과를 왜곡시켜 의사결정에 악영향을 미친다.

논문은 먼저 DDR 데이터의 구조와 특성을 상세히 분석한다. DDR은 항공기 식별자, 출발·도착 공항, 예정·실제 이착륙 시각, 고도·속도·위치 시계열 등 다양한 메타데이터를 포함한다. 그러나 데이터 수집 과정에서 발생하는 시간 동기화 오류, 좌표 누락, 중복 레코드 등이 빈번히 관찰된다. 저자들은 이러한 문제를 정량화하기 위해 데이터 완전성 지표와 이상치 비율을 산출하고, 고스트 플라이트가 전체 레코드의 약 2~3%를 차지함을 확인한다.

핵심 기법은 ‘요구 기반(on‑demand) 데이터 분석 프레임워크’를 도입한 점이다. 사용자는 특정 시간 구간, 항공기 유형, 공역 등을 지정하면, 시스템이 해당 조건에 맞는 데이터 서브셋을 자동으로 추출하고, 다중 단계 필터링 파이프라인을 적용한다. 첫 단계는 규칙 기반 전처리로, 비행 계획과 실제 이착륙 시각 차이가 비정상적으로 큰 레코드, 고도·속도 변화가 물리적으로 불가능한 구간 등을 제거한다. 두 번째 단계는 통계적 이상치 탐지 기법(예: Mahalanobis 거리, IQR 기반)와 시계열 유사도 측정(DTW, LCSS)을 결합해 궤적 전체의 일관성을 평가한다. 세 번째 단계에서는 머신러닝 기반 클러스터링(K‑means, DBSCAN)과 지도학습 모델(랜덤 포레스트, XGBoost)을 활용해 남은 레코드 중 잠재적 고스트 플라이트를 분류한다. 특히, 지도학습 모델은 전문가가 라벨링한 고스트 플라이트와 정상 궤적 데이터를 학습 데이터로 사용해 높은 정밀도와 재현율을 달성한다.

실험 결과는 세 가지 주요 지표로 제시된다. 첫째, 필터링 전후의 데이터 정확도 향상 정도로, 평균 위치 오차가 1,200 m에서 150 m 이하로 감소하였다. 둘째, 고스트 플라이트 탐지 정확도로, 전체 고스트 플라이트 중 96%를 검출하면서 정상 궤적의 오탐률은 1.2%에 머물렀다. 셋째, 처리 시간 측면에서 요구 기반 쿼리당 평균 3.8초의 응답 속도를 기록해 실시간 혹은 근실시간 분석에 충분히 적용 가능함을 보였다.

또한, 저자들은 필터링된 데이터가 항공기 흐름 예측 모델, 충돌 회피 시뮬레이션, 탄소 배출량 산정 등에 미치는 긍정적 영향을 정량적으로 평가한다. 고품질 데이터 사용 시 예측 모델의 RMSE가 22% 감소하고, 시뮬레이션 기반 위험 평가 결과가 평균 0.35 % 포인트 개선되는 등 실용적 가치를 입증한다.

마지막으로, 연구는 현재 시스템의 한계와 향후 과제도 제시한다. 데이터 라벨링 비용이 높아 라벨링 자동화가 필요하고, 다국가·다기관 데이터 연계 시 표준화 문제와 프라이버시 보호가 중요한 이슈로 남는다. 또한, 딥러닝 기반 시계열 모델(예: Transformer) 적용을 통해 더욱 정교한 이상치 탐지가 가능할 것으로 기대한다.

요약하면, 이 논문은 DDR 데이터의 품질 문제를 체계적으로 해결하기 위한 종합적인 방법론을 제시하고, 실제 운영 환경에서 검증된 성능을 통해 항공 교통 관리 시스템의 데이터 신뢰성을 크게 향상시킬 수 있음을 입증한다.