Fishing Boat Rolling Movement of Time Series Prediction based on Deep Network Model

Donggyun Kim; Nam-Kyun Im

doi:10.5394/KINPR.2023.47.6.376

J Navig Port Res > Volume 47(6); 2023 > Article

심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측

Article

Journal of Navigation and Port Research 2023;47(6):376-385.

Published online: December 31, 2023

DOI: https://doi.org/10.5394/KINPR.2023.47.6.376

심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측

김동균^*, 임남균^†

^*목포해양대학교 항해학부 교수

^†목포해양대학교 항해학부 교수

Fishing Boat Rolling Movement of Time Series Prediction based on Deep Network Model

Donggyun Kim^*, Nam-Kyun Im^†

^*Professor, Division of Navigation Science, Mokpo National Maritime University

^†Professor, Division of Navigation Science, Mokpo National Maritime University

^*Corresponding author : 종신회원, namkyun.im@mmu.ac..kr 061)240-7177

Received October 4, 2023 Revised October 12, 2023 Accepted November 8, 2023

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

요 약

통계에 따르면 어선의 전복 사고는 전체 전복 사고의 절반 이상을 차지한다. 이는 미숙한 조업, 기상 악화, 정비 미흡 등 다양한 원인으로 발생할 수 있다. 업계 규모와 영향도, 기술 복잡성, 지역적 다양성 등으로 인해 어선은 상선에 비해 상대적으로 연구가 부족한 실정이다. 본 연구에서는 이미지 기반 딥러닝 모델을 활용하여 어선의 횡동요 시계열을 예측하고자 한다. 이미지 기반 딥러닝은 시계열의 다양한 패턴을 학습하여 높은 성능을 낼 수 있다. 이를 위해 Xception, ResNet50, CRNN의 3가지의 이미지 기반 딥러닝 모델을 활용하였다. Xception과 ResNet50은 각각 177, 184개의 층으로 구성되어 있으며 이에 반해 CRNN은 22개의 비교적 얇은 층으로 구성되어 있다. 실험 결과 Xception 딥러닝 모델이 가장 낮은 0.04291의 sMAPE와 0.0198의 RMSE를 기록하였다. ResNet50과 CRNN은 각각 0.0217, 0.022의 RMSE를 기록하였다. 이를 통해 상대적으로 층이 더 깊은 모델의 정확도가 높음을 확인할 수 있다.

핵심용어: 어선, 전복 사고, 딥러닝 모델, Xception, ResNet50, CRNN

ABSTRACT

Fishing boat capsizing accidents account for more than half of all capsize accidents. These can occur for a variety of reasons, including inexperienced operation, bad weather, and poor maintenance. Due to the size and influence of the industry, technological complexity, and regional diversity, fishing ships are relatively under-researched compared to commercial ships. This study aimed to predict the rolling motion time series of fishing boats using an image-based deep learning model. Image-based deep learning can achieve high performance by learning various patterns in a time series. Three image-based deep learning models were used for this purpose: Xception, ResNet50, and CRNN. Xception and ResNet50 are composed of 177 and 184 layers, respectively, while CRNN is composed of 22 relatively thin layers. The experimental results showed that the Xception deep learning model recorded the lowest Symmetric mean absolute percentage error(sMAPE) of 0.04291 and Root Mean Squared Error(RMSE) of 0.0198. ResNet50 and CRNN recorded an RMSE of 0.0217 and 0.022, respectively. This confirms that the models with relatively deeper layers had higher accuracy.

Keywords: fishing boat, capsizing accident, deep learning model, Xception, ResNet50, CRNN

1. 서 론

1.1. 연구 배경 및 필요성

어로 산업은 고위험성 업종 중 하나로, 어선 전복 사고는 이러한 산업에서 심각한 문제 중 하나로 부상하고 있다.

Fig. 1과 같이 최근 5년간 선박 전복 사고의 절반 이상이 어선에서 발생하고 있다(Korean Maritime Safety Tribunal, 2023). 2023년 2월 최근에는 신안 해상에서 어선이 전복되어 다수의 선원이 실종되는 사고가 발생하였다(BBC News Korea, 2023). 어선 전복의 원인으로는 선체 무게 중심의 관리 부실, 기상 악화 등으로 인해 복원력 상실이 주된 원인으로 어선은 상선에 비해 그 크기가 작으며 따라서 복원력을 쉽게 잃을 수 있다(Kim, et al. 2023).

그러나 실제 어선의 전복 상황을 계측하여 상황의 위험성을 판단하여야 하지만 현실적으로 불가능하다. 기존의 어선 전복 사고 연구는 주로 개별적인 사고 사례를 분석하는 데 중점을 두었으며, 이는 사고가 이미 발생한 후에 대응하는 방법에 더 집중되어 있었다. 이와 같이 사고 예방을 위한 다층적이고 통합적인 안전 전략에 대한 연구는 부족한 실정이다.

이에 따라 본 연구에서는 어선의 횡동요의 운동 특성을 추출하여 딥러닝을 활용하여 횡동요 각도를 예측 및 어선 전복 사고 위험을 방지하고자 한다.

1.2. 연구 방법

본 연구에서는 어선의 횡동요 운동을 예측하기 위해 이미지 기반 심층 딥러닝 모델을 활용하고자 한다.

a. 데이터 수집 및 전처리

시계열 어선 횡동요 데이터를 수집한다. 수집된 데이터를 정제하고 불완전한 데이터나 이상치를 처리하여 학습에 적합한 형태로 가공한다.

b. 딥러닝 모델 설계

Xception, ResNet50, CRNN의 딥러닝 아키텍처를 활용하여 모델을 설계한다. CNN(Convolutional Neural Network)은 RNN(Recurrent Neural Network) 기반 모형보다 계산 복잡도가 적다(Ashish, V. et al. 2017). CNN은 고정된 입력 데이터와 고정된 출력 데이터인 반면 RNN은 임의의 입력, 출력 데이터를 다루므로 계산 시간이 더 오래 걸린다. 또한 CNN은 시차를 사전에 입력할 필요가 없다는 장점이 있다. DNN(Deep Neural Network) 모형의 경우, 입력 변수의 시차를 얼마로 해야 할지 결정해야 하며 시계열의 추세나 계절성, 정주성 등을 확인 후 데이터가 정주성을 갖도록 해야 하는 등 여러 가지 준비가 필요하나 Xception, ResNet50, CRNN과 같은 이미지 기반 모형의 경우, 내부적으로 자동적으로 처리된다는 이점이 있다.

c. 모델 학습

학습 데이터셋을 활용하여 딥러닝 모델을 학습시킨다. 이때, 훈련 데이터와 검증 데이터를 활용하여 과적합을 방지하고 모델의 일반화 성능을 높인다. 오차 함수를 정의하고 최적화 알고리즘을 선택하여 모델을 훈련시킨다.

d. 모델 평가

학습된 모델을 테스트 데이터셋에 적용하여 예측 성능을 평가한다.

e. 모델 제안

학습된 딥러닝 모델을 활용하여 실시간으로 어선 전복 사고를 예측한다.

1.3. 국내외 연구 현황

딥러닝을 활용하여 이미지 연구, 자연어 처리 연구 등과 같은 다양한 분야에서 기술적 진보를 이루고 있다. 선박과 관련된 연구의 경우, 강화 학습을 활용하여 선박의 항로를 생성하는 연구가 제안되었다(Kim et al. 2023). 또한 선박 연료 계통 장비의 고장 진단을 위한 연구가 제안되었다(Kim, H. et al. 2022). 항만과 관련하여 부산 신항의 컨테이너 반출입 정보를 활용하여 딥러닝 기반의 반출입 차량 평균 대기 시간을 예측하는 모형이 제안되었다(Kim et al. 2022).

선박 횡동요와 관련된 연구는 다음과 같다. Suhermi et al.(2018)는 ARIMA와 다층 퍼셉트론 신경망(DNN) 모델을 결합하는 혼합 방법을 채택하였다. 사용된 실제 데이터는 부유식 생산 유닛(FPU)의 횡동요 모션이며 실험 결과는 DNN-ARIMA 혼합 모델이 비 혼합 모델에 비해 롤 모션을 예측하는 데 가장 우수한 모델이며 예측 정확도를 크게 향상시키는데 매우 효과적임을 보여주었다. Zhou et al.(2023)은 딥러닝 네트워크와 매개변수론적 방정식을 결합한 “그레이 박스” 알고리즘을 제안하였다. 주성분 분석이라는 기본 비지도 학습 방법을 도입하여 효율성과 정확도를 향상시켰다. 실험 결과 주성분 분석 및 “그레이 박스” 기반 학습 모델을 사용하여 컨테이너선의 횡동요를 짧은 시간 내에 정확하게 시뮬레이션 할 수 있었다. El et al.(2023)는 선박 속도 추정을 위해 과거 데이터를 기반으로 딥러닝 기법을 제안하였다. 그러나 성능 향상이 필요해 보이며 딥 러닝 모델의 해석 가능성이 부족하다는 점을 추후 과제로 언급하였다. Alvarellos et al.(2021)는 정박된 선박의 6 자유도 운동을 예측하기 위해 신경망 및 그래디언트 부스팅 모델을 활용하였다. 그러나 항만에서 일어나는 현실적인 일을 모델에 포함하여야 하며 좁은 통로, 연료 소비 등도 고려해야 할 사항이라 언급하였다. Lin et al.(2022)는 선박의 횡동요 방지를 예측하기 위해 심층 강화 학습을 기반으로 DDPG 알고리즘을 활용하였다. 횡동요 방지 효율이 95%를 넘어 빨리 안정적으로 수렴하는 것을 확인하였다. Kim et al.(2018)는 기계학습 기반의 근사 모델을 활용하여 횡동요 운동 특성을 예측하고자 하였다. 추가 연구로 선종, 운항 특성(흘수, 무게 중심) 등이 반영되어야 한다고 언급하였다.

제안된 연구에서는 대형 상선에 비해 관심있는 분야의 연구 주제가 아니며 어선의 잦은 횡동요 주기가 고려되지 않은 점, 어선의 시계열 횡동요 데이터를 수집하기 어려운 문제점이 있었다.

1.4. 본 연구의 의의

- 이미지 기반 딥러닝 모델을 시계열 모델에 적용하였다. 특히 시간에 따른 패턴을 감지하고 예측하는데 효과적이다. 이를 통해 시계열 데이터의 다양한 패턴과 구조를 인식할 수 있다. 또한 낮은 수준의 특징부터 고수준의 추상적인 특징까지 학습하여 복잡한 패턴을 학습할 수 있다.

- 시계열 예측에 ResNet50의 잔차 블록을 사용하여 기존의 레이어를 건너뛰게 함으로써 그레디언트 소실 문제를 해결할 수 있다.

- 어선의 시계열 횡동요 데이터를 기반으로 횡동요 각도를 예측하여 전복 사고 방지에 기여할 수 있다.

2. 심층 네트워크 모델

마이크로소프트에서 개발한 ResNet 알고리즘은 이전 모델들과는 달리, 레이어의 증가보다는 레이어 내에서의 정보 전달에 중점을 둔 방법을 도입하였다(He et al. 2016). 이전까지는 신경망을 깊게 쌓아서 높은 성능을 얻는 것에 주력했지만, 이는 깊어질수록 역행렬의 기울기가 소멸하는 기울기 소멸 문제를 야기하였다. ResNet은 이 문제를 해결하기 위해 잔차 블록을 도입하였다. ResNet50은 50개의 합성곱 층으로 구성되어 있으며 Fig. 2와 같이 입력 값이 출력 값에 직접 더해지는 ‘지름길(shortcut)’ 구조를 채택하였다. ‘Identity mapping’은 입력 x가 어떤 함수를 통과하더라도 출력이 x로 유지되도록 한다. 이를 통해 층이 많아져도 입력 값이 소실되는 기울기 소멸 문제를 해결할 수 있었다. Fig. 3은 본 논문에서 사용한 ResNet-50의 아키텍처로, 총 184개의 층으로 이루어져 있다.

Fig. 4는 시계열 데이터 예측에 대한 내용이다. 먼저 시계열 데이터를 1차원 형태로 변환한다. 데이터를 작은 윈도우로 나눈다. 예를 들어 30개의 데이터를 하나의 윈도우로 지정한다. 윈도우로 나눈 데이터는 합성곱 레이어에 입력된다. 이후 합성곱 레이어는 윈도우 내에서 패턴을 감지하며 이것은 시계열 데이터에서 주기성이나 다른 패턴을 찾을 수 있도록 한다. 풀링 레이어는 차원을 줄이는 역할을 하며 전결합 레이어(Fully connected layer)와 연결되어 있다. 전결합 레이어는 CNN의 출력을 받아 시계열 데이터의 다음 값을 예측하기 위한 뉴럴 네트워크를 추가한다. 회귀 문제의 경우, 하나의 뉴런을 사용하며 활성화 함수는 사용하지 않는다.

2.2 Xception

Xception은 ‘eXtreme Inception’의 약자로 Inception 모델을 기반으로 개선된 형태이다(Chollet, 2017). 이 모델은 채널과 공간을 분리하고, 이를 깊이별 분리 가능한 합성곱으로 강화한 것이다. 일반적인 합성곱 층은 필터를 사용하여 높이, 너비, 채널을 모두 학습하려 한다. 이는 하나의 필터로 교차 채널 상관 관계와 공간 상관 관계를 동시에 매핑해야 하기 때문이다. 그러나 Xception은 교차 채널 상관 관계와 공간 상관 관계를 독립적으로 계산하고 mapping 하기 위해 고안된 모델이다.

Fig. 5에서처럼 입력 데이터를 1 x 1 합성곱을 사용하여 세그먼트로 나눈 다음 각 세그먼트에 대해 일반적인 컨볼루션 연산을 수행하고 이를 연결(concatenation)한다. 그러나 Xception에서는 세 개로 나누는 대신, 채널과 공간 상관 관계를 완전히 분리하는 아이디어를 제안하였다. 다시 말해, Fig. 6에서와 같이 1 x 1 컨볼루션을 사용하여 채널 상관 관계를 처리한 후, 출력 채널에 대해 공간 컨볼루션을 수행한다. 본 논문에서 사용된 Xception 모델은 Fig. 7과 같으며 177층으로 구성되었다.

2.3. CRNN

합성곱 신경망(CNN)은 데이터의 특성을 추출하고 이를 기반으로 분류하는 딥러닝 모델이다(Yao et al. 2019). 과도한 데이터 손실에 따른 언더 피팅이 발생할 수 있지만, 학습 속도가 빠르며 오버 피팅 가능성이 상대적으로 낮다. 순환 신경망(RNN)은 데이터의 시간적 순서 정보를 활용하는 재귀 구조의 딥러닝 모델이며 입출력 개수에 따라 다양한 모델 구성이 가능하다.

기존 시계열 연구의 경우, S-CNN(Smoothed-CNN)을 제안하여 웹사이트 방문객 수를 예측하였다. 또한 CNN기반 프레임 워크를 제안하여 주식 시장을 예측하였다(Hoseinzade, E. and Haratizadeh, S., 2019).

Fig. 8과 같이 CRNN은 먼저 CNN을 활용하여 연산을 수행하고, 각 채널을 나눈 후 RNN에 입력하는 구조이다. RNN에는 GRU(Cho, K. et al. 2014)와 LSTM(Hochreiter, S. and Schmidhuber J. 1997)이 사용되었다. 여기서, convolution 5 x 32에서 5는 필터의 크기를, 32는 필터의 개수를 의미한다. 이후에는 Batch Normalization Layer과 Exponential Linear Unit(ELU) 레이어를 거쳐 평균 풀링을 적용한 후 평활화가 이루어진다. 마지막으로 GRU와 드롭아웃, LSTM을 거치면서 학습이 진행된다. CRNN 층의 구조는 Fig. 9와 같으며 22개의 층으로 구성되었다.

3. 어선 횡동요 시계열 예측 시뮬레이션

3.1. 데이터 수집

실험 데이터 수집은 Fig. 10과 같이 선박의 중앙에 자이로 센서를 설치하여 수집하였다. 20Hz로 작동하는 자이로 센서는 선수미 방향의 횡동요 각도를 수집한다. 총 수집 시간은 49분 59초이며 선박의 제원은 Table 1과 같다. 선박의 길이는 21.5 미터, 폭 3.9 미터, 깊이 0.75 미터이다. 총 배수량은 23.467 톤이며 디젤 엔진이 설치되어 있다.

3.2. 데이터 전처리

Fig. 11과 같은 순서로 데이터의 전처리를 실시하였다. 먼저 데이터를 시간 순서대로 정렬한다. 이후 중복된 행을 제거하고 중복된 시간 값에서 서로 다른 데이터가 있을 경우 해당 값을 제거한다. 모든 값의 시간 간격을 동일하게 만들기 위해 리샘플링을 수행하고, 간격이 일관되게 나누어졌는지 확인한다. 데이터의 최대값, 최소값, 결측치, 이상치를 확인하였다. Fig. 12는 전처리 후 어선의 횡동요 각도를 나타낸다. 샘플 주기는 0.05397931이며 최대 4.4도의 횡동요 각도가 기록되었다.

3.3. 데이터 정규화

데이터가 가진 특징의 범위가 크게 차이가 날 경우, 학습에 큰 영향을 미칠 수 있다. 따라서 데이터 범위의 차이를 왜곡하지 않도록 공통 척도로 변경하는 것이 필요하다. 본 연구에서는 표준정규분포의 속성을 가지도록 특징을 재조정하였다. 식 (1)에 의해 입력 변수를 새로운 값 z로 계산한다. 여기서 μ는 평균, σ는 표준편차를 의미한다.

3.4. 모델링 및 훈련

Table 2에는 각 모델의 구성이 나와 있다. 데이터셋은 Fig. 14와 같이 훈련, 검증, 테스트로 8:1:1의 비율로 나누어 사용되었다. 훈련에는 총 200회의 epoch를 실행하였으며 초기 Learning rate는 0.001로 설정하였다. 검증은 50회마다 수행되도록 하였으며 solver는 adam으로 설정되었다. Gradient Threshold는 기울기 임계값을 의미한다. 기울기의 크기가 급격히 증가하는 경우, 훈련의 안정성이 떨어진다. 이를 기울기 폭주라 부르며 이러한 경우, 기울기 제한을 사용한다. Initial Learning Rate는 초기 학습률을 의미한다. 학습률이 너무 낮으면 훈련 시간이 오래 걸릴 수 있으며 학습률이 너무 높으면 발산할 수 있다. Validation Frequency는 검증 빈도를 의미하며 설정된 값 단위로 신경망을 평가한다. Solver는 RMSprop와 Momentum의 장점을 결합한 adam을 이용하였다. Xception은 총 177개의 레이어로, 학습 가능한 파라미터의 수는 2,170만개이다. ResNet50은 284개의 레이어로, 학습 가능한 파라미터의 수는 2,440만개이다. CRNN은 22개의 레이어를 가지며, 학습 가능한 파라미터의 수는 24만 3천3백개이다. Fig. 13은 Xception 모델의 훈련 과정을 의미한다. 가로축이 반복 횟수, 세로 축이 각각 RMSE, Loss를 의미한다. 실험이 진행될수록 RMSE와 Loss가 낮아지는 것을 확인하였다.

(1)

z=x-μσ

3.5. 성능평가지표

성능평가지표는 sMAPE(Symmetric Mean Absolute Percentage Error), RMSE(Root Mean Squared Error)를 사용하였다. sMAPE는 예측 값이 실제 값보다 작을 때에는 분모가 더 작아지기 때문에 오차가 커지는 현상이 발생될 수 있으나 0∼ 200% 사이의 확률값을 가지며 결과 해석이 용이하다. RMSE는 평균 제곱근 오차를 의미하며 예측 모델에서 예측한 값과 실제 값 사이의 평균 차이를 의미한다. 각각을 구하는 식 (2), 식 (3)과 같다. 여기서 Y_i, y_i는 실제값을, Yi^, yi^는 예측 값을 의미한다.

(2)

sMAPE=100n×∑i=1n|Yi-Yi^|(|Yi|+|Yi^|)/2

(3)

RMSE=(1n∑i=1n(yi-y^)2)12

실험 결과 비교를 위해 ARIMA 모형과 비교하였다. 먼저 시계열이 정상성을 가지는지 확인 후 자기상관함수(ACF, Autocorrelation Function), 편자기상관함수(PACF, Partial Autocorrelation Function)을 이용하여 단위근 여부를 확인하였다. 이후 ADF(Augmented Dickey-Fuller Test)를 활용하여 2차 차분한 데이터에 단위근이 있는지 확인하였다.

(4)

(1-ϕ1L-…-ϕ16L16)(1-L)2yt=c+(1+ϕ1L+…+ϕ5L5)∊t

식 (4)는 계산 결과이다. 귀무 가설 검증을 실시하였으며 Table 3과 같이 P-value는 0.001 이하임을 확인하였다.

Table 4는 실험에 사용된 하드웨어와 소프트웨어를 의미한다. 실험에 사용된 테스트 데이터는 총 5,827개이며 총 4개의 모델에 사용되었다. Fig. 14와 같이 8:1:1로 나누어진 테스트 데이터를 활용하였다.

Fig. 15의 빨간색 실선은 ARIMA 모델을 10회 반복 실험을, 검정색 실선은 평균 예측값을 의미한다. 예측값이 점점 증가하는 것을 확인하였다.

Fig. 16은 ARIMA 모델의 RMSE와 sMAPE를 의미한다. RMSE는 7.6842, sMAPE는 0.3455를 기록하였다.

Fig. 17은 각 모델별 sMAPE와 RMSE를 보여준다. Xception이 가장 낮은 sMAPE인 0.0042905를 기록하였으며 CRNN이 0.0054233의 sMAPE를 기록하였다. Fig. 18은 ARIMA 모델을 제외한 실제값과 모델들의 예측값을 의미한다. 확대하였을 경우, 각 모델별 예측값이 상이함을 확인할 수 있다.

4. 결 론

본 연구에서는 어선의 시계열 횡동요 데이터를 기반으로 횡동요 각도를 예측하기 위해 심층 딥러닝 모델을 제안하였다. 이를 위해 Xception, ResNet50, CRNN의 이미지 기반 딥러닝 모델을 활용하였다. 본 연구의 결과를 요약하면 다음과 같다.

1. 이미지 기반 딥러닝 모델을 시계열 모델에 적용하였다. 이를 위해 입력 데이터에 이미지 데이터가 아닌 시계열 데이터를 입력하였다.

2. 시계열 데이터의 장기간 예측시 그레디언트 소실 문제가 발생하는데 ResNet50의 잔차 블록을 사용하여 이러한 문제를 해결하였다.

3. 실험 결과에서 Xception 딥러닝 모델이 가장 낮은 오차를 기록하였으며 ResNet50, CRNN이 뒤를 이었다.

4. Xception와 ResNet50의 경우, CRNN에 비해 파라메터의 수가 매우 많았으며 따라서 학습 시간에서도 차이가 발생하였다.

추후 연구 과제로 최적의 하이퍼 파라메터의 설정이 필요하다. 또한 본 연구에서는 단일의 시계열 데이터만을 활용하여 어선의 횡동요 각도를 예측하였으나 해상 상태, 풍향, 풍속 등을 활용하여 더욱 정밀한 예측이 필요할 것으로 판단한다.

Acknowledgments

This research was supported by Korea Institute of Marine Science & Technology Promotion (KIMST) funded by the Ministry of Oceans and Fisheries (RS-2023-00238653).

Fig. 1.

Capsizing accident statistics

Fig. 2.

Residual learning: a building block

Fig. 3.

Configuration of ResNet50

Fig. 4.

Architecture of ResNet50

Fig. 5.

A simplified Inception module

Fig. 6.

An “extreme” version of our Inception module, with one spatial convolution per output channel of the 1x1 convolution

Fig. 7.

Configuration of Xception model

Fig. 8.

Configuration of CRNN

Fig. 9.

Layers of CRNN

Fig. 10.

Rolling motion collection using gyro sensor

Fig. 11.

Data preprocessing process

Fig. 12.

Roll after preprocessing

Fig. 13.

RMSE and Loss according to training of Xception model

Fig. 14.

Training, validation, and test data rates for roll angle prediction

Fig. 15.

Average value of 10 repeated experiments of ARIMA model

Fig. 16.

Error of ARIMA model

Fig. 17.

RMSE and sMAPE of Models

Fig. 18.

Actual values and predicted values of each model

Table 1.

Specification of Fishing boat

Item	Description
Kind of ship	Fishing boat
Gross tonnage	9.77 tons
Length	21.5 meters
Breadth	3.9 meters
Depth	0.75 meters
Full displacement	23.467 tons
Main engine	Diesel engine

Table 2.

Model configuration

Model	Xception	ResNet50	CRNN
Tr:Va:Te	8:1:1
Epoch	200
Initial Learning Rate	0.001
Gradient Threshold	1
Validation Frequency	50
Initial Learning Rate	0.001
Learning Rate Drop Factor	0.2
Validation Frequency	50
Solver	adam
Number of Layers	177	284	22
Number of Parameters	21.7M	24.4M	243.3k

Table 3.

P-value verification

Null Rejected	P-Value	Test Staticstic	Critical Value
True	0.001	−95.6659	−1.9416

Table 4.

Experiment environment

Item	Description
CPU	AMD 5975WX
Video card	RTX A6000
Memory	512GB
Software	MATLAB2023b, Deep learning toolbox

References

[1] Alvarellos, A., Figuero, A., Carro, H., Costas, R., Sande, J., Guerra, A., Peña, E. and Rabuñal, J.(2021), “Machine Learning Based Moored Ship Movement Prediction”, Journal of Marine Science and Engineering, Vol. 9, No. 8.

[2] Ashish, V., Noam, S., Niki, P., Jakob, U., Llion, J., Aidan, G., Kaiser, L. and Illia, P.(2017), “Attention is All you Need”, Advances in Neural Information Processing Systems, Vol. 30.

[3] BBC News Korea(2023). Fishing boat capsize accident, https://www.bbc.com/korean/news-64527530.

[4] Cho, K., Bart, V. M., Caglar, G., Dzmitry, B., Fethi, B., Holger, S. and Yoshua, B.(2014), “Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation”, Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp. 1724-1734.

[5] Chollet, F.(2017), “Xception: Deep Learning With Depthwise Separable Convolutions”, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1251-1258.

[6] El, M. S., Benabbou, L., Caron, S. and Berrado, A.(2023), “Deep Learning-Based Ship Speed Prediction for Intelligent Maritime Traffic Management”, Journal of Marine Science and Engineering, Vol. 11, No. 1.

[7] He, K., Zhang, X., Ren, S. and Sun, J.(2016), Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: p. 770-778.

[8] Hochreiter, S. and Schmidhuber, J.(1997), “Long Short-term Memory”, Neural Computation, Vol. 9, No. 8, pp. 1735-1780.

[9] Hoseinzade, E. and Haratizadeh, S.(2019), “CNNpred: CNN-based stock market prediction using a diverse set of variables”, Expert Systems with Applications, Vol. 129, No. 1, pp. 273-285.

[10] Kim, Y., Park, J. and Moon, S.(2018), “Prediction of Ship Roll Motion using Machine Learning-based Surrogate Model”, Journal of Navigation and Port Research, Vol. 42, No. 6, pp. 395-405.

[11] Kim, H., Kim, J. and Lee, Y.(2020), “A Study on Securing a Stable GM for Each Ship Type Considering the Ship’s Operating Status”, Vol. 44, No. 4, pp. 275-282.

[12] Kim, M. and Lee, H.(2023), “A Study on Ship Route Generation with Deep Q Network and Route Following Control”, Journal of Navigation and Port Research, Vol. 47, No. 2, pp. 75-84.

[13] Kim, H., Kim, K., Hwang, S. and Lee, J. H.(2022), “The Fault Diagnosis Model of Ship Fuel System Equipment Reflecting Time Dependency in Conv1D Algorithm Based on the Convolution Network”, Journal of Navigation and Port Research, Vol. 46, No. 4, pp. 367-374.

[14] Kim, Y., Shin, J. Y. and Park, H. J.(2022), “A Study on the Prediction of Gate In-Out Truck Waiting Time in the Container Terminal”, Journal of Navigation and Port Research, Vol. 46, No. 4, pp. 344-350.

[15] Korean Maritime Safety Tribunal(2023). https://wwwkmst.go.kr/web/stcAnnualReport.do?menuIdx=126.

[16] Lin, J., Han, Y., Guo, C., Su, Y. and Zhong, R.(2022), “Intelligent ship anti-rolling control system based on a deep deterministic policy gradient algorithm and the Magnus effect”, Physics of Fluids, Vol. 34, No. 5.

[17] Suhermi, N., Suhartono, , Prastyo, D. D. and Ali, B.(2018), “Roll motion prediction using a hybrid deep learning and ARIMA model”, Procedia Computer Science, Vol. 144, pp. 251-258.

[18] Yao, G., Lei, T. and Zhong, J.(2019), “A review of convolutional-neural-network-based action recognition”, Pattern Recogn Lett, Vol. 118, pp. 14-22.

[19] Zhou, X., Li, H., Huang, Y. and Liu, Y.(2023), “Deep learning machine based ship parametric rolling simulation and recognition algorithms”, Ocean Engineering, Vol. 276.

[20] Wibawa, A. P., Utama, A. B., Elmunsyah, H., Pujianto, U., Dwiyanto, F. and Hernandez, L.(2022), “Time-series analysis with smoothed Convolutional Neural Network”, Journal of Big Data, Vol. 9, No. 44.