컨텍스트 강화 선박 궤적 서술 생성 프레임워크

초록

본 논문은 AIS(자동식별시스템) 원시 데이터를 이동성 이벤트와 다중 소스 컨텍스트(지리·해양·기상)를 결합해 의미론적 에피소드로 변환하고, 이를 LLM에 입력해 인간과 기계가 이해 가능한 자연어 서술을 자동 생성하는 방법을 제시한다.

상세 분석

이 연구는 선박 궤적 데이터의 고유 문제인 잡음, 간헐성, 의미 결여를 해결하기 위해 세 단계의 파이프라인을 설계하였다. 첫 번째 단계는 기존 압축 프레임워크를 확장해 속도·방위·시간 변화를 기반으로 정지, 저속, 급가감, 회전, 통신 공백 등 다섯 가지 이동성 이벤트를 정밀히 라벨링한다. 여기서 중요한 점은 선박 종류별(소형, 대형, 여객선 등)로 파라미터를 조정해 이벤트 감지 민감도를 최적화한다는 것이다. 두 번째 단계는 라벨링된 포인트들을 ‘정지’ 혹은 ‘장기 공백’을 경계로 삼아 개별 ‘여정(trip)’으로 분할하고, 각 여정은 연속적인 ‘에피소드(episode)’ 시퀀스로 구조화한다. 이때 에피소드는 동일한 이동성 특성을 공유하는 구간으로 정의되며, 다중 라벨이 동시에 부여될 경우 복합 이벤트로 기록한다. 세 번째 단계는 각 에피소드에 지리적 레이어(보호구역, 해협, 등대), 해양 인프라(항구, 정박구역, 항로), 기상 데이터(풍향·풍속· 파고) 등을 연계해 풍부한 메타 정보를 삽입한다. 이렇게 구축된 ‘시맨틱 트래젝터리’는 구조화된 JSON·GeoJSON·CSV 등 다양한 포맷으로 내보낼 수 있어 기존 GIS·데이터베이스와 바로 연동이 가능하다.

핵심 기여는 이 시맨틱 트래젝터리를 LLM에 프롬프트로 제공함으로써, 모델이 복잡한 시공간 관계와 도메인 규칙을 내재화된 언어 지식과 결합해 ‘정확하고 사실에 기반한’ 자연어 서술을 생성한다는 점이다. 실험에서는 GPT‑4, Claude, Llama‑2 등 여러 최신 LLM을 대상으로, 동일한 시맨틱 입력에 대해 ‘관련성’, ‘신뢰성’, ‘정확성’ 세 축을 정량·정성 평가하였다. 결과는 컨텍스트가 풍부할수록 LLM의 출력이 인간 전문가가 작성한 서술과 높은 유사성을 보였으며, 특히 AIS 데이터가 희박하거나 잡음이 심한 구간에서 서술 품질이 크게 향상되는 것을 확인했다.

또한 논문은 기존 연구와 차별화되는 몇 가지 포인트를 강조한다. 첫째, 단순히 AIS 좌표를 토큰화해 트래젝터리 언어 모델에 입력하는 것이 아니라, 도메인 지식이 내재된 ‘에피소드 기반’ 구조를 도입함으로써 의미론적 밀도를 크게 높였다. 둘째, 다중 소스 컨텍스트를 자동으로 매핑하는 파이프라인을 오픈소스화(깃허브)하여 재현성을 확보했다. 셋째, 생성된 서술을 항해 안전 지침, 항해 보고서, 이상 탐지 알림 등 실제 운영 시나리오에 적용 가능하도록 설계했다.

이러한 접근은 향후 선박 행동 예측, 결함 진단, 규제 준수 검증 등 고차원 해양 AI 시스템의 입력 레이어로 활용될 수 있으며, LLM 기반 의사결정 지원 시스템과의 통합을 위한 표준 인터페이스 역할을 할 가능성이 크다.