멀티에이전트 인버티드 트랜스포머 기반 항공경로 예측

초록

본 논문은 항공교통의 복잡한 상호작용을 고려한 다중 항공기 궤적 예측 모델 MAIFormer를 제안한다. 마스크된 다변량 어텐션으로 개별 항공기의 시공간 패턴을 포착하고, 에이전트 어텐션으로 항공기 간 사회적 상호작용을 모델링한다. 실제 인천국제공항 ADS‑B 데이터셋에서 기존 방법들을 능가하는 정확도와 해석 가능성을 입증하였다.

상세 분석

MAIFormer는 기존 트랜스포머 기반 다중 에이전트 모델이 시간‑스텝 수준에서 복합적인 어텐션을 수행하면서 해석성이 떨어지는 문제를 해결하기 위해 ‘인버티드’ 구조를 채택한다. 먼저 입력된 N개의 항공기 궤적을 F개의 변량(위도, 경도, 고도 등)으로 분해하고, 각 변량을 시간 축에 따라 선형 임베딩한 뒤 토큰화한다. 이때 에이전트 간 순서가 없으므로 포지셔널 인코딩을 생략한다. 첫 번째 어텐션 단계인 Masked Multivariate Attention(MMA)에서는 마스크 행렬 M을 적용해 동일 항공기의 변량 토큰끼리만 상호작용하도록 제한한다. 이를 통해 개별 항공기의 미세한 동역학을 손실 없이 학습할 수 있다. MMA 출력은 (N·F)×D 형태의 토큰 시퀀스로 유지되며, 이후 각 항공기의 F개 변량 토큰을 연결(concatenation)해 1×(F·D) 차원의 에이전트 토큰으로 재구성한다. 두 번째 단계인 Agent Attention(AA)에서는 이 에이전트 토큰들 간에 전역 어텐션을 수행한다. 즉, 항공기 전체를 하나의 토큰으로 보고 서로의 영향을 직접 계산함으로써 복잡한 사회적 상호작용을 고차원적으로 포착한다. AA는 변량 간 교차 정보를 허용하므로, 항공기 간 충돌 회피나 순항 고도 조정 등 실제 ATC(항공교통관제)의 의사결정 과정을 잘 반영한다. 각 어텐션 블록 뒤에는 레이어 정규화와 잔차 연결을 두어 학습 안정성을 높이고, 최종적으로 Feed‑Forward Network(FFN)를 적용해 비선형 변환을 수행한다. 전체 L개의 동일 레이어가 순차적으로 쌓여 깊은 계층적 표현을 학습한다. 디코더는 비자기회귀 방식의 MLP로 설계돼, 한 번의 전방 패스로 모든 항공기의 미래 궤적을 동시에 출력한다. 이는 autoregressive 모델에서 흔히 발생하는 오류 누적 문제를 크게 완화한다. 실험에서는 2023년 1월~5월 사이 인천 국제공항 주변 70NM 반경 내 도착 항공기의 ADS‑B 데이터를 사용했으며, MAE, RMSE, ADE, FDE 등 다중 지표에서 LSTM, CNN‑LSTM, 기존 Transformer, AgentFormer 등을 모두 앞섰다. 특히 Attention Entropy 분석에서 MAIFormer는 더 낮은 엔트로피 값을 보여, 인간 관제사가 이해하기 쉬운 집중된 어텐션 패턴을 제공한다. 이러한 설계는 고밀도 터미널 구역에서 실시간 의사결정 지원 시스템에 바로 적용 가능하도록 투명성을 확보한다. 다만 현재는 도착 항공기만을 대상으로 했으며, 이착륙 전후의 전이 구간이나 기상 변수 통합 등 추가적인 복합 요인에 대한 확장은 향후 연구 과제로 남는다.