전국 AIS 데이터의 선박 식별 재구성을 위한 물리 기반 후보 스크리닝과 신경망 결합

초록

본 논문은 식별자가 누락된 자동식별시스템(AIS) 궤적을 복원하기 위해, 물리 기반 후보 스크리닝 단계와 감독 학습 신경망 분류기를 결합한 하이브리드 파이프라인을 제안한다. 전국 규모의 미국 해역을 대상으로 30분 간격으로 다운샘플링된 대용량 데이터를 사용했으며, 기존 무감독 방법에 비해 포지트 정확도를 0.33·→·0.53으로 크게 향상시켰다.

상세 분석

이 연구는 AIS 데이터에서 선박 식별자를 복원하는 문제를 ‘후행 관측점이 이전 궤적의 어느 종점에 연결되는가’를 판별하는 이진(또는 다중) 분류 문제로 재정의한다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째 단계는 물리 기반 모델(CV, CTRV, 가속 모델 등)을 이용해 현재 관측점 q 의 시간 차이 Δt 만큼 모든 활성 궤적 종점 c 을 전방 예측하고, 예측 위치와 실제 위치 사이의 변위 e 를 계산한다. 변위는 선박 진행 방향 ψ 에 대한 로컬 좌표계(전방·횡방향)로 변환되어, 각 방향별 불확실성을 반영한 이방성 공분산 Σ(Δt) 을 사용해 Mahalanobis 거리 M² 를 구한다. 이 거리와 각도 차이 θ (≈85°)를 만족하는 후보들을 점수 s(i→j) = eᵀRΣ⁻¹Re + λψΔc² + λv(v_req−v_j)² − log π_cont 로 순위 매긴 뒤, 상위 k=16 개의 후보와 ‘새 선박(New Vessel)’ 가설을 반환한다.

두 번째 단계는 감독 학습 신경망이다. 각 후보 cₗ 에 대해 231차원의 특성 벡터 ϕ(q,cₗ) 를 구성한다. 여기에는 (i) 로컬 변위 e∥, e⊥, Δt, v_req, turn rate, (ii) 전·후방 예측 오차와 그 평균, (iii) 헤딩·속도 일관성 및 진동 지표, (iv) 종점 밀도·시간대와 같은 컨텍스트 정보가 포함된다. 완전 연결 신경망은 3개의 은닉층(2000‑2000‑1000)을 갖고, 소프트맥스 로그우스와 교차 엔트로피 손실로 학습된다. 추론 시 온도 스케일링을 적용해 확률을 보정한다.

실험에서는 2,482일간의 AIS 데이터를 30분 간격으로 다운샘플링하고, 잡음과 정지선박 보고를 제거해 활성 궤적만 남겼다. 검증·테스트 셋을 별도로 구성하고, 기존 무감독 방법인 CBTR(포지트 정확도 0.33)와 A‑TD 2025 베이스라인(0.44)과 비교했다. 제안 모델은 평균 분류 정확도 0.7452, F1 0.73을 달성했으며, 전체 포지트 정확도는 0.53으로 최고치를 기록했다. 오라클 상한(스크리닝 단계에서 진짜 후보가 포함될 경우) 0.85 와의 격차는 스크리닝 단계에서 진짜 종점을 놓치는 경우와 신경망이 유사 후보를 구분하지 못하는 경우가 있음을 시사한다.

지역별 분석에서는 개방해(off‑shore)에서 정확도가 가장 높고, 항구·강·도크와 같은 고밀도 구역에서 성능이 저하된다. 이는 공간적·시간적 근접성이 높은 후보가 다수 존재해 혼동이 발생하기 때문이다. 저자들은 수로 기하학(네비게이션 폴리곤)과 항구 특화 사전 확률을 도입해 스크리닝을 개선하고, 더 풍부한 행동 모델(정지·출발 패턴 등)을 학습에 통합하는 것이 향후 과제로 제시된다.

전반적으로 물리 기반 후보 제한과 데이터‑드리븐 신경망 분류기의 결합이 대규모, 이질적인 AIS 스트림에서 실용적인 선박 재식별 성능을 달성할 수 있음을 입증한다.