†Corresponding author : 정회원, 1. 서 론
최근 해양수산 및 조선해양 분야에서 인공지능 산업에 기술적 관심이 점차 높아지고 있다. 그중 전 세계적으로 빠르게 현실화되고 있는 기술이 자율주행이다. 국제해사기구(IMO, International Maritime Organization)에서는 자율운항선박(MASS, Maritime Autonomous Surface Ship)에 대한 정의와 운영 기준을 마련하기 위해 노력하고 있다(Issa et al., 2022). 기존 오토 파일럿(Auto Pilot, 자동조타장치)이 선수 방향을 입력하면 원격으로 타(rudder)를 조종하여 원하는 방향으로 선박을 정침시키는 항해 기술이라고 한다면, 자율주행은 이러한 개념을 포함하여 선박 간의 충돌, 해양기상환경을 고려한 경제 및 안전항로 추정, 선박 및 선원 관리 등을 데이터와 인공지능 기반 의사결정을 통해 사람이 없거나 최소한의 인원으로 운항하는 기술을 말한다(Li and Fung, 2019)
자율운항선박은 일부 또는 전부의 운항 기능이 선내의 인간 승무원에 의해 수행되는 것이 아니라, 자율적인 시스템 또는 원격 제어에 의해 수행되는 선박으로 정의되며, 그 수준에 따라 최소 자율에서 완전 자율까지 보통 4단계로 나뉜다. 최소 자율은 선박이 자율운항 기능을 갖추고는 있으나, 주요 운항 결정은 여전히 승무원이 수행하며 자동화는 보조 역할만을 수행한다. 이에 반해 완전 자율은 운항 결정이 모두 시스템에 의해 이루어져 원격조작이나 승무원의 개입이 필요하지 않는 것을 말한다. 기존 선박 운항의 패러다임을 바꾸는 이 개념은 해양 산업에서 큰 관심을 받고 있으며, IMO는 이러한 선박의 안전한 운영을 보장하기 위해 법적, 기술적, 운영적 기준을 개발하고 있다. 이러한 추세에 따라 자율운항선박의 상용화를 위해 구체적인 연구와 실증 연구가 이루어지고 있다(Kim et al., 2023; Yim JB, 2021). 특히 자율운항선박에 대한 해양환경 정보 기반의 위험도 관리 기술은 선박의 안전 항해를 판단하고 해상 사고를 최소화하는데 중요한 역할을 담당할 것으로 판단된다(Khan et al., 2023). 따라서 자율운항선박 내 해양환경정보를 공급하기 위한 선박 내 해양환경 관측 및 모니터링 시스템과 예측 분야의 중요성이 부각되고 있다(Al-Absi et al., 2021).
해양을 운항하는 선박은 운항 중인 해역의 환경조건 변화에 대한 대응 수단이 매우 적다. 현재 기술 수준은 선박 내 CCTV, 파랑관측 레이더, 적외선 및 열화상 카메라를 이용한 영상 기반 감지 등과 관련된 센서 기반 인지 기술 정도이다(Hong et al., 2005; Kim and Jang, 2019). 육상에서 선박 운항 지원을 위한 다양한 정보의 공급을 위해 IMO를 중심으로 국제수로기구(IHO, International Hydrographic Organization), 국제항로표지협회(IALA, International Association of Marine Aids to Navigation and Lighthouse Authorities) 등과 연합하여 파랑, 해상풍, 해수 유동, 수온, 항로표지와 같이 선박의 안전 및 경제 항해에 중요한 영향을 미치는 해양환경 관측·분석·예측 정보를 해상 통신을 통한 정보 공급을 추진 중이며 범용수로데이터모델(차세대수로제품, S-100)을 통한 국제 표준까지 이어지고 있다(Park et al., 2004; Kang and Eom, 2022). 그러나 자율운항선박에서는 선장, 항해사 등에서 수행해 왔던 바다의 상태 및 예측 의사결정을 선박 내 알고리즘을 통해 스스로 분석하고 판단해야 함과 동시에 해양환경에 따른 선박의 안정성 및 내항성을 고려해야 한다. 따라서 자율운항선박의 필수 요소로 선박 자체 해양환경정보를 수집할 수 있는 장비의 기준 및 실시간 처리 기술이 마련되어야 하고 악기상을 동반한 해양 상태를 고려해 통신이 원활하지 않을 것을 가정하여 육상센터 등의 정보 도움 없이 선박 내에 최소한 수집된 해양환경 정보를 통해 앞으로 이동해 갈 항로상의 해양환경을 예측하는 기술도 필요하다(Thombre et al., 2022).
자율운항선박에서 해양환경 정보는 선박이 이동하는 공간에서 필요한 해양 요소의 변화를 즉시 예측하여 선박 운항 의사결정에 필요한 해양환경 상태를 실시간으로 재현하고 제공할 수 있어야 한다. 육상 기상 예측의 경우 영국 기상청(Met Office)에서는 5분 간격의 1km 해상도 강우 레이다 데이터를 학습 자료로 사용하여 ‘나우캐스팅(Nowcasting)’이라는 1시간 간격의 6시간 예측을 수행하는 실시간 강우 예보 시스템을 개발하였다. 실시간 레이다 영상 정보와 딥러닝 기반 인공지능 예측 방법을 활용해 3시간 이내 단기적 시간의 강우 예측의 가능함을 보였다(Ravuri et al., 2021). 해양 분야에서도 CCTV 영상이나 파랑 관측 레이다 자료를 이용해 해양환경을 모니터링하고 인공지능 기술을 적용하여 강수량, 수온, 파고, 해무 등을 예측하는 데 폭넓게 활용되고 있다. 그러나 선박에 탑재 가능한 선박용 해양환경 관측 자료를 기반으로 수분 간격의 1시간 이내 초단기 예측을 통한 항로상의 해양환경 정보를 예측하는 연구는 아직 부족한 실정이다(Lee et al., 2021). 특히 앞서 언급한 대로 선박이 운항할 때 해상 네트워크 환경에 제약이 있음을 고려한다면, 선박 자체의 관측 정보만을 활용하여 항로상에서 10분 내외의 초단기 해양환경 예측 정보를 실시간으로 제공하여 자율운항선박과 같이 데이터 기반의 의사결정이 필수적인 분야에서는 관련 기술이 매우 필요하다.
따라서 본 연구에서는 선박에서 활용 가능한 해양환경 관측자료의 항목을 정의하여 선박 내 자료만을 이용한 인공지능 기반 해양환경 예측 기술의 개념을 정립하기 위해 대표적인 인공지능 방법을 비교·분석하고자 한다. 선박 내 활용 가능한 해양환경정보는 국립기상과학원의 협조를 받아 기상청 기상관측선 ‘기상1호’을 통해 확인하였으며 선박 운항에 주요한 항목에 대한 시계열 정보를 분석하였다. 이를 바탕으로 항로상 다음 시간대의 해양환경 상태를 예측하고자 많이 사용하는 지도 학습 3종, 비지도 학습 1종을 선정하여 정확성을 중심으로 비교함과 동시에 입력 데이터 특성에 따른 학습모델 구성을 2가지로 차별화하여 자율운항선박 내 제한된 하드웨어 자원과 학습 데이터 환경에서 효과적으로 운용이 가능한 인공지능 모델 구성 방안을 제안하고자 한다.
2. 실험 방법 및 자료
2.1 시계열 데이터 기반 예측을 위한 인공지능 알고리즘
자율운항선박과 관련된 해양 및 기상 중심의 해양환경 관측 센서에 대한 국제법은 IMO의 규정 및 권고 사항을 중심으로 다루어진다. 특히, IMO의 해상안전협약(SOLAS) 규정은 선박에 필요한 항해 장비와 안전 장치에 대한 기준을 명시하고 있으며, 자율운항선박의 경우 기상 관측 및 해양 데이터 수집 장비의 탑재가 필수적일 수 있다. (Karlis T, 2018). 또한 선박에 설치된 다양한 기상 센서가 제공하는 데이터를 바탕으로 인공지능(AI) 기반 예측 시스템을 운용하면, 갑작스러운 기상 변화나 해양 환경의 변화를 즉각적으로 반영하여 대응할 수 있다. 이 과정에서 해양환경 정보와 자율운항 시스템 간의 데이터 통합이 핵심적 역할을 할 것으로 기대된다(Li and Fung, 2019).
본 연구에서는 파이썬(python) 내 딥러닝의 툴킷(toolkit) 중 하나인 텐서플로우(Tensorflow)를 이용하였으며 이동하는 선박에서 관측되는 데이터는 1차원 시계열 정보임을 감안하여 이에 적합한 인공지능 모델을 지도 학습 3종, 비지도 학습 1종으로 구분하여 결과를 비교·분석할 수 있도록 설계하였다. 설계된 인공지능 학습모델은 선박이 운항하면서 수 분 간격으로 지속 수집된 관측 데이터를 특정 기간 동안 모아서 학습함으로써 항로상 다음 시간대의 해양환경을 예측할 수 있도록 구성하였다(Fig. 1).
2.1.1 지도 학습
지도 학습은 기계학습의 한 유형으로 알고리즘에 입력 데이터와 그에 대응하는 정답 데이터를 제공하여 모델을 학습시킨 후, 새로운 자료에 대해 분류나 예측하는 방법으로 본 연구에서는 지도 학습의 종류 중 ANN(Artificial Neural Network), RNN(Recurrent Neural Network), Conv-LSTM(Convolutional Long Short-Term Memory) 3가지 알고리즘을 적용하였다.
현재 다양한 분야에서 널리 사용되고 있는 ANN은 사람의 신경망 원리와 구조를 모방하여 만든 알고리즘으로 인공신경망이라고 불린다. 신경망이 깊어질수록 각 층의 가중치들이 곱해져 전달되면서 기울기가 점점 작아지는 문제가 발생한다. 특히, 시그모이드(Sigmoid)와 같은 비선형 활성화 함수(Activation Function)를 사용하는 경우, 그들의 미분값이 0과 1 사이의 값으로 제한되기 때문에 역전파 과정에서 기울기가 지수적으로 감소하는 경향이 있으나 본 연구에서는 ReLU(Rectified Linear Unit) 활성화 함수를 사용하여 이를 사전에 방지하였다. ANN의 예측 모델 구조는 첫 번째 레이어에서 입력층의 변수를 64개 노드로 구성하여 계산하고, 두 번째 층에서 32개의 노드로 구성하여 파라미터 수를 줄였다. 이후 마지막 출력층을 거쳐 하나의 값으로 산출되는 구조이다. 알고리즘의 컴파일은 회귀 예측을 기반으로 하는 함수로 하였다(Fig. 2a).
다음으로 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 자료를 학습할 때 널리 사용되는 RNN을 활용하였으며, 순환신경망이라고 불린다. 하이퍼볼릭 탄젠트(Hyperbolic Tangent, Tanh)로 활성 함수를 이뤄 전달 강도를 지정하는 특징을 가진다. 또한 RNN은 과거의 학습 가중치를 현재에 반영하여 앞서 언급된 시계열 데이터와 같은 반복적이고 순차적인 학습의 한계를 해결한다는 장점이 있다(Ahn et al., 2020). RNN의 예측 모델 구조는 ANN과 같이 첫 번째 레이어에서 64개의 노드로 구성하여 계산하였고, 활성 함수를 기본값으로 지정하여 하이퍼볼릭 탄젠트 함수를 사용해 오차를 상쇄시켜 마지막 출력층에서 1개의 값을 산출하는 방법으로 구축하였다(Fig. 2b).
RNN의 문제점 중 초기 데이터의 가중치 값이 초기 값과 멀어지게 되면 상쇄되어 학습 성과가 저하되는 점을 보완하기 위해 Convolution 모델과 시계열 예측 기법의 한 종류인 LSTM(Long Short-Term Memory)이 합쳐진 Conv-LSTM을 학습모델로 추가하였다. LSTM의 경우 1차원 시계열 데이터를 다룰 때, 각 타임 스텝에서의 입력은 단순한 벡터로 주어진다. LSTM은 이러한 시계열 데이터를 순차적으로 처리하며, 각 타임 스텝의 정보를 메모리 셀에 저장하고 업데이트한다. 따라서 주로 자연어 처리, 음식 인식 등 순차적인 데이터에서 패턴 학습에 효과적이다. 하지만 Conv-LSTM의 경우 주로 시공간적 패턴을 학습하는 데 유리한 구조로 설계되었다. 즉, 시계열 데이터가 단순히 1차원적인 시퀀스뿐만 아니라 공간적 정보를 포함할 때 유용하다. LSTM의 셀 내에서 입력과 상태 간의 관계를 처리할 때 Convolution 연산을 사용하여, 공간적 패턴을 효과적으로 학습할 수 있다. 이러한 장점으로 인해 비디오 예측, 강수 등의 기상 데이터 분석 등 공간 및 시간적 패턴이 중요한 문제에 자주 사용된다.
본 연구에 활용된 Conv-LSTM은 1차원의 Convolutional 층을 만들고 그 뒤에 LSTM 층을 구성하며, 본 연구에서는 1차원 Conv-LSTM을 구축하였다. 학습모델의 구조는 3개의 시그모이드 기반 활성 함수와 2개의 하이퍼볼릭 탄젠트 활성 함수를 활용하였으며, 최댓값에 의한 폴링층은 오히려 학습을 저하 시키는 요인으로 작용할 수 있어 중간 평균값을 폴링층으로 구성하여 학습모델의 성능을 높이고자 하였다. 마지막 단계로는 1차원 합성곱 신경망과 폴링층을 거친 4개 노드의 파라미터를 8번 순환하는 LSTM 신경망으로 계산하여 최종 1개의 예측값을 산출하도록 하였다(Fig. 3).
2.1.2 비지도 학습
비지도 학습은 정답지 없이 데이터를 스스로 학습하며, 그 속에서 패턴과 유사도를 찾아 모델 생성하는 특징을 가진다. 본 연구에서는 비지도 학습에 많이 사용되는 모델 중 GAN(Generative Adversarial Network) 을 사용하였다. 1차원 시계열 데이터 학습에서 GAN을 사용하는 이유는 데이터 증강, 복잡한 패턴 학습, 이상 탐지, 모델 다양성, 샘플링 및 시뮬레이션 등 여러 가지 이점을 제공하기 때문이다. GAN을 활용하면 시계열 데이터의 잠재적인 패턴과 분포를 더 깊이 이해하고, 이를 기반으로 더 강력한 인공지능 모델을 구축할 수 있다(Brophy et al., 2019). 특히 GAN의 데이터 생성과 증강 능력을 활용해 적은 수의 데이터를 보다 효과적으로 학습하고 그 결과를 지도 학습과 비교하고자 하였다. GAN으로 생성된 가상의 시계열 데이터는 원본 데이터의 분포를 따르기 때문에 효과적인 데이터 증강 방법이 될 수 있으며, GAN의 생성적 접근 방식을 통해 보다 다양한 모델 구조와 학습 방식이 가능해진다.
GAN 구조는 생성자(Generator)와 판별자(Discriminator)로 구성되며 본 연구에서는 시계열 데이터를 분석하고 생성하는 과정에서 1D 합성곱 신경망(Conv1D)이 생성자 네트워크의 핵심 요소로 작용하며, 시계열 데이터의 시간적 패턴을 효과적으로 학습한다. 이를 통해 생성자는 Z(노이즈 벡터)를 입력으로 받아, Conv1D 레이어를 거쳐 가짜 시계열 데이터를 생성한다. 이후, 판별자(Discriminator)는 생성된 가짜 데이터와 실제 데이터를 구분하는 역할을 하며, 해당 과정에서 GAN은 학습을 통해 더 정교한 시계열 데이터를 생성할 수 있게 된다. 이러한 모델은 TSGAN(Time Series GAN) 이라고도 불리며 정상적인 시계열 데이터를 학습하여 새로운 데이터를 생성하거나 이상 패턴을 탐지하는 데 유용한 모델이다.
2.2 학습모델 구성
현재 선박의 운항 안전을 확인하고 의사결정하기 위해 대형 상선을 중심으로 해양기상환경 관측기기 탑재되어 있으며 주된 관측 항목으로 해상풍, 기압, 기온, 파랑, 해수유동 등이 대표적이다. 관측 기기 및 센서에 따라 세부 정보는 다르지만, 선박 안정성에 크게 영향을 끼치는 파랑 관련 변수를 중심으로 1분~10분 간격이며 출항부터 입항 때까지 연속적으로 정보가 누적된다. 자율운항선박에서도 필수적인 해양기상환경 관측기기 및 센서가 탑재될 경우 선박 내 데이터를 활용한 단기 해양환경 예측 모델이 가능할 수 있다.
이때 인공지능 학습모델의 구성 방안은 장기간 데이터를 이용해 학습모델을 구성하는 것과 짧은 기간의 데이터를 이용해 학습모델을 지속적으로 갱신하면서 사용하는 것을 고려할 수 있다. 이는 데이터의 최신성, 모델의 안정성, 계산 비용 및 자원 소모, 모델 유지보수 측면에서 모두 고려해야 할 사항이다. 장기간 데이터를 활용할 경우 모델의 안정성 및 운영성은 높은데 반해 학습 데이터가 해역의 해양환경을 제대로 대표하지 못할 경우 예측 결과가 좋지 못할 수 있다. 반면 짧은 기간 데이터를 이용해 학습모델을 지속적으로 갱신할 경우 최신의 상태를 반영하고 모델의 유지보수성이 높지만 기간이 한정되어 특정 상황에 과적합 될 수 있어 예측성이 떨어질 수 있다.
본 연구에서는 앞서 제시한 4가지 알고리즘을 데이터 활용 방안에 따라 2가지 학습모델로 각각 구성하였다. 선박이 운항하면서 수집되는 다양한 해양 상태에 대해 짧은 기간 데이터로 학습모델을 생성하고 계속 갱신하면서 수집되는 자료로 예측을 수행할 것인지(초단기-비연속 학습 구성), 과거 장기간 데이터를 이용해 학습모델을 만들어 두고 실시간 수집되는 자료를 통해 예측을 수행할 것인지(장기-연속 학습 구성)를 비교하였다(Azeem et al., 2021). 데이터 시간을 기준으로 보면, 초단기-비연속 학습 구성은 선박 운항 시점을 기준으로 60개(5분 간격, 5시간 누적)의 짧은 기간 데이터를 입력자료로 하여 학습모델을 구성하여 예측하고 학습 데이터는 비연속적으로 갱신한다(Fig. 5a). 반면, 장기-연속 학습모델은 월별로 축적되는 데이터(5분 간격, 약 8000개/1개월)를 순차적으로 누적하고 이를 학습 데이터로 활용하여 학습모델을 구성하고 예측한다. 학습모델 갱신 주기는 1개월이며 정기적으로 학습모델을 갱신하는 구성임으로 갱신 전까지는 동일한 학습모델을 통해 예측을 수행한다(Fig. 5b). 두 구성 모두 학습모델 생성 시 학습 데이터는 훈련으로 전체의 80%, 검증으로 20%를 사용하였으며, 정규화 기법으로는 ‘Early stopping’을 적용하여 과적합을 최소화하였다.
2.3 연구자료 : 기상청 기상관측선 ‘기상1호’
기상1호는 2011년 5월부터 대한민국 기상청이 운영하는 기상관측선으로, 해양에서의 기상 관측을 전담하는 역할을 수행한다. 이 선박은 한국 주변 해역에서의 기상 및 해양 정보를 수집하여 해양기상 예보의 정확성을 높이고, 해양기상에 기인한 재해 예방 및 대응을 위한 중요한 데이터를 제공한다. 약 498톤급 선박으로 길이 64.32m, 넓이 9.40m, 최대속력 18.0kn 으로 자동기상장비 뿐만 아니라 CTD 등 해양관측, 파랑 레이더 및 해양 생태계 모니터링 장비도 갖추고 있다. 특히 선박 운항에 중요한 파랑 관측은 레이더 식을 활용하며 FURUNO 사의 X-band 레이더와 MIROS의 WAVEX 시스템을 이용해 수치화한다. 기타 세부 관측 항목으로는 풍향, 풍속, 기온, 기압, 습도, 강우량, 시정 현천, 미세먼지, 수온, 염분이며 두 자료 모두 5분 간격으로 저장된다.
본 연구에서는 선박 자체 관측 정보를 활용하기 위해 기상청 국립기상과학원의 협조로 2021년 전체를 받아 활용하였다. 기간은 2021년 1월부터 11월까지 약 270일 동안이며 우리나라의 배타적경제수역(EEZ)내에서 항해하며 관측된 자료이다(Fig. 6). 편서풍에 의한 영향을 많이 받는 우리나라 특성 상 서해와 서남해를 중심으로 잦은 관측이 이루어지는 가운데, 동해와 남동해도 주기적으로 관측이 이루어지고 있다. Fig. 7은 2021년 3월부터 6월 약 2달간의 시계열 결과와 2021년 1월 중 약 10일간의 유의파고와 파주기에 대한 시계열 결과 예시이다. 선박 운항에 따라 관측이 이루어지는 특성상 중간 관측 공백이 있지만, 한번 출항을 할 경우 평균 5~10일 이상의 자료가 누적되고 있으며 자료의 품질도 안정적임을 확인할 수 있다.
알고리즘(4종)별, 모델 구성(2종) 별로 구축된 학습모델을 이용해 5분 간격 60개 입력 데이터(5시간 관측)를 이용해 다음 시간대의 5분 간격 12개 출력 데이터(1시간 예측)을 생성하였다. 이러한 방법으로 2021년 기상1호 전체 기간의 예측을 검증하였다. 출력 데이터에 대한 예측 정확도(예측값-관측값) 검증 방안으로 모델 평가에 널리 사용하는 통계 지표인 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 평균 제곱근 오차(RMSE)를 통해 정량적 검증과 분류 성능 지표 결과 중 하나인 정확도(ACC, 단위 %)을 수행하였고 아래 식과 같다.
예측 항목은 기상1호에서 관측되면서 선박의 항로와 안전 운항에 많은 영향을 미치는 파랑과 해상풍을 선정하였다(Tsujimoto and Nait, 1998; Lee et al., 2023). 유의파고(단위 m)와 파주기(단위 초)는 스칼라량이며, 파향과 풍향은 방향과 속도를 가지는 벡터량임으로 U성분(동방성분)과 V성분(북방성분)으로 나눠 검증하였다. 특히 예측 결과의 정확도 평가 시(ACC 값 산출 시) 실제 관측값과 예측값의 차이가 해양관측 업무 규정 중 “해양관측장비의 성능·규격에 관한 기준”의 정확도를 만족할 때 예측 성공으로 간주하였다. Table 1은 연구에서 검증할 예측 항목에 대한 해양관측장비 기준오차범위에 대한 값이다. 일반적으로 관측장비 오차 기준은 매우 민감하지만, 예측 모델은 시공간 해상도가 크기 때문에 그 오차는 관측에 비해 더 클 수밖에 없다. 해양이라는 공간상 특성에서 이와 같이 짧은 예측 시공간 해상도를 가지는 예측은 정확도의 기준에 관측 오차 수준을 적용하는 것이 적절하다고 판단된다.
3. 실험 결과
3.1 초단기-비연속 학습모델 검증
3.1.1 유의파고 예측
초단기-비연속 학습 구성에 대한 4가지 모델 평가에서 계절별 유의파고 예측 정확도(Fig. 9)는 겨울철의 경우 우리나라는 편서풍 계열의 바람이 강하게 불어 유의파고가 높은 날이 많다. RNN 및 Conv-LSTM의 경우 ACC 값이 99.88%로 높은 값을 보이며 MAE, RMSE도 두 모델의 차이 없이 높은 정확도를 보였다. 하지만 GAN의 ACC 값이 88.36%로 다른 모델에 비해 낮게 나타났다. 태풍, 장마전선, 집중호우 등 강수 등의 복합적인 영향이 유의파고에 나타나는 여름철의 경우에도 지도 학습 모델 계열이 높은 값을 보이고, 비지도 학습 모델 이 낮은 값을 보였다. 전 기간 예측 정확도를 보면, 지도 학습 모델이 비지도 학습모델에 비해 약 10% 높은 정확도 결과를 나타냈다. 이는 문자나 숫자 등 순차적으로 등장하며 입력과 출력 간의 명확한 관계 학습에 적합한 지도 학습 모델의 장점이 잘 드러난 결과로 판단된다. 특히 초단기-비연속 학습 구성의 모델에서는 LSTM이 가지는 장기 의존성 장점이나 Conv-LSTM이 가지는 공간적 및 시간적 데이터를 포함하는데 있어 학습 데이터의 한계로 그 특징이 명확하게 구분되지 못한다고 판단된다. GAN의 비지도 학습 모델 역시 생성자-판별자 조합을 위한 많은 양의 데이터가 필요하며, 특히 시계열 데이터의 경우 시간적 의존성을 잘 학습해야 모델이 안정적인데 데이터 수가 이를 만족하지 못하기에 비교적 낮은 결과가 도출되었을 것으로 판단된다.
3.1.2 파주기, 파향, 해상풍 예측
Fig. 9~10 을 보면, 파주기 역시 유의파고와 같이 비지도 학습 모델을 제외한 지도 학습 모델의 예측 정확도가 여름철, 겨울철 모두 95% 이상의 정확도를 보였다. 해양에서 파주기의 변화량이 유의파고 보다 크고 민감한 것을 감안한다면, 높은 정확도를 보인다고 판단된다. 일반적으로 선박 운동에 영향을 미치는 파주기는 대게 4~16초로 GAN의 경우에도 RMSE 값이 겨울철 0.36초, 여름철 0.37초로 모두 선박 운항 시 파주기 예측 결과에 사용하는데, 만족스러운 결과로 보여진다.
해상환경에서 방향성을 가지고 급격하게 변화하는 환경 특성을 지닌 파향과 해상풍의 경우, 파향, 파주기 모두 RNN이 가장 높은 예측 정확도를 보였다. 파향은 알고리즘별 차이가 뚜렷하고 정확도도 높은데 반해, 해상풍은 알고리즘별 정확도의 차이가 뚜렷하지 않고 값도 낮았다. RMSE 경우에도 파향의 경우 알고리즘 평균 0.15 차이 나지만 해상풍의 경우 알고리즘 평균 1.5로 큰 차이를 보였고 계절적 차이도 겨울철이 여름철에 비해 컸다.
파향과 해상풍에서도 알고리즘별 예측 성능을 보면 전체적으로 지도 학습이 비지도 학습에 비해 더 좋은 성능을 보였다. 특히 1차원 시계열 데이터에 대해 학습 효과 좋다고 알려진 RNN이 우수한 결과를 보였다. 단, 이동하는 선박에서 해상풍의 경우 일반적으로 파향에 비해 시간대별 변화량이 매우 크기에 적은 수의 자료로 학습모델을 독립적으로 갱신하는 초단기-비연속 학습모델은 자율운항선박 내 해양환경 예측 기술로 적용하기에는 한계가 있다고 판단된다.
3.2 장기-연속 학습모델 검증
3.2.1 유의파고 예측
학습 구성을 변경하여 다음 시간대의 유의파고를 예측한 정확도는 대부분의 계절에서 99% 이상의 정확도를 보였으며, 특히 겨울철에서 지도 학습과 비지도 학습의 정확도가 100%로 모든 예측에서 오차범위 내로 나타났다(Fig. 11). 또한, 모든 계절에서 학습모델 전체의 MAE, RMSE 값이 0.1m 이하로 실제 관측된 값과 큰 차이를 보이지 않아 선박 내 해양환경정보 관측·수집이 이루어질 수 있다면 학습모델의 종류에 관계없이 선박 내 정확한 해양환경 예측 정보를 안정적으로 지원할 수 있을 것으로 판단된다.
특히, 지도 학습모델의 경우 학습 구성의 변경에 큰 차이가 없지만, 장기-연속 학습 구성의 GAN 결과는 초단기-비연속 학습 구성에 비해 큰 정확도 향상을 보인다. 이는 데이터 수가 중요한 비지도 학습에서 장기-연속 학습 구성에서 데이터 양이 크게 증가했기 때문으로 보인다. 또한 사계절 모두 비지도 학습모델 예측 성능이 지도 학습모델 성능과 유사하며 오차의 경우 겨울철과 여름철을 비교할 때, 여름철이 겨울철에 비해 약 9% 향상된 결과를 보였다. 이는 초단기-비연속 학습 구성과 반대되는 결과이며, 여름철의 경우 겨울철에 비해 “기상1호”의 관측 횟수가 더 많음에 따라 데이터에 더 우세하게 반영되었기 때문으로 보여진다. 또한 학습 구성 차이에 따른 유의파고 비교·검증 결과로 지역과 시간이 동시에 변하는 데이터일지라도 많은 데이터를 학습에 사용하는 것이 모델 성능에 좋은 영향을 준다고 할 수 있다.
3.2.2 파주기, 파향, 해상풍 예측
Fig. 13과 Fig. 14에서 파주기 역시 지도 학습모델과 비지도 학습모델의 결과 차이가 크지 않았고 모두 정확도의 향상을 보였다. 겨울철과 여름철 파주기 결과는 모두 98% 이상의 정확도를 보였고, MAE, RMSE 값이 0.15초로 해양관측장비의 성능·규격에 관한 기준의 오차 범위를 모두 만족하는 좋은 예측 성능을 보였다. 장기-연속 학습 구성에 따른 결과와 비교하면, 유의파고와 동일하게 비지도 학습모델을 중심으로 지도 학습모델 결과까지 모두 정확도가 높아졌다. 이를 통해 1차원 시계열 학습모델에서는 학습모델보다 데이터의 양의 결정이 매우 중요한 요소임 알 수 있다.
파향 및 풍향의 경우 바람 방향이 우세한 겨울철이 여름철 보다 예측 정확도가 약 9% 높은 가운데, 역시 학습모델에 관계없이 95% 이상 모두 우수한 예측 성능을 보여준다. 특히 파향과 풍향과 같은 방향성을 가지는 데이터에서 비지도 학습모델이 지도 학습모델에 비해 더 좋은 예측성을 보였다. 방향성 데이터는 주기적으로 반복되거나, 원형과 같은 특징을 가짐으로 유사한 패턴을 가지거나 시계열 데이터를 그룹화하여 변화를 탐지하는 비지도 학습에서 좋은 결과가 나타난 것으로 판단된다. 이는 향후 보다 많은 사례 검증을 통해 해양환경정보 중 벡터값을 가지는 예측 항목에 대한 학습모델의 선택 기준을 마련할 수 있을 것으로 보여진다.
학습 구성의 차이에 따라 결과를 비교하면 계절에 관계없이 장기-연속 학습모델의 정확도가 약 5% 이상 더 높게 나타났다. 비지도 학습인 GAN은 장기-연속 학습모델과 초단기-비연속 학습모델의 정확도 결과가 약 10% 이상의 차이를 보였고, 장기-연속 학습모델이 더 높게 나타났다. 또한 장기-연속 학습모델에서 MAE, MSE, RMSE 값이 상대적으로 낮은 값을 보였으며, 지도 학습에서는 데이터 수가 증가함에 따라 ANN 및 RNN에 비해 Conv-LSTM의 예측 성능이 비교적 더 높게 나타났다. 시계열 데이터 학습에서 RNN 알고리즘은 은닉층(Hidden layer)에서 자기 자신의 가중치를 가진 기본 구조로 입력 데이터에서 규칙적인 패턴을 인식해 과거의 정보를 통해 현재의 정보를 파악할 수 있는 특징을 가지고 있어 시계열의 해양환경 정보를 예측할 때 우수한 성능을 보이나 데이터 수가 많아짐에 따라 입력과 출력 데이터 사이의 거리가 멀어지는 장기 의존성 문제를 본 연구에서도 확인할 수 있었다. 또한 데이터 수가 증가함에 따라 항해하는 선박의 특성이 Conv-LSTM에 반영되었다고 볼 수 있다. 이에 대한 정량적 수치에 대해서는 추가적인 연구가 필요하다.
해상풍의 검증 결과 해상의 바람이 강하고 바람 방향의 변화가 상대적으로 큰 겨울철 예측 정확도가 여름철에 비해 35% 정도 낮으며, MAE 값은 2배 정도 차이를 보여 학습 구성의 변경에 대한 차이에 따른 계절별 영향은 없었다. 단, 예측 정확도는 모든 알고리즘에서 초단기-비연속 학습모델보다 장기-연속 학습모델의 예측 성능이 더 우수하였다. 장기-연속 학습 구성에서 파랑 RMSE 값은 Conv-LSTM이 가장 낮은 반면, 해상풍에서는 GAN이 가장 낮은 값을 보였다. 이를 통해 선박 내 수집되는 해양환경 정보의 장기-연속 학습 구성에서 필요한 항목별 학습 모델의 구성 최적화 과정이 필요함을 확인하였다.
4. 결론 및 고찰
자율운항선박과 같은 스마트 선박의 출현과 상용화를 목표로 다양한 기술이 발전·융합되고 있는 시점에서 안전하고 경제적인 운항을 위한 의사결정을 지원 정보 중 하나인 해양환경 예측 체계는 매우 필수적이다. 특히 항해사나 선장의 경험에 기반한 주관적인 해양 상황 인지는 무인 자율운항선박 측면에서는 수치화된 데이터로 생산되어야 하며, 이러한 현황 데이터를 이용해 선박에서는 스스로 해양환경 예측 정보를 짧은 시간(5분) 간격으로 생산하고 실시간 운영되어야 하기에 인공지능 기반 예측 알고리즘 및 학습 구성의 개발·검증이 필요하다. 따라서 본 연구에서는 선박 자체적으로 운용 가능한 지도 학습 3종, 비지도 학습 1종의 인공지능 알고리즘을 제안하고 선박 내 하드웨어 운용환경을 감안한 2개의 학습 구성 방안을 적용·개발하였다. 기술의 검증을 위해 기상관측선의 1년간 자료를 이용해 파랑과 해상풍의 계절별 결과를 비교·분석하였다.
초단기-비연속 학습 구성에서 유의파고와 파주기 항목의 경우, 지도 학습의 예측 정확도가 98% 이상을 보였으나, 비지도 학습의 경우 모두 낮은 정확도를 보였다. 파향과 해상풍의 경우 지도 및 비지도 학습 결과 모두 낮은 예측 성능을 보였으며 이는 데이터의 학습 기간이 매우 짧고 벡터량 특성상 속도와 방향의 예측이 어렵기 때문에 나타난 결과로 판단된다. 개별 학습모델로 보면, 1차원 시계열 데이터에 대해 학습 효과가 우수하다고 알려진 지도 학습이 높은 정확도 결과를 보였다. 단, 모델별, 항목별 정확도의 차이가 크기에 자율운항선박 내 해양환경 예측 정보 생산을 위한 기술로 적용하기에는 다른 최적화 방안이 요구된다.
장기-연속 학습모델의 경우 파랑에서 비지도 학습모델을 포함하여 4개 알고리즘에서 모두 약 90%의 정확도를 나타냈다. 계절별로도 모든 알고리즘은 안정적인 예측 정확도를 보였고 특히 비지도 학습모델에서는 항목 변화와 경향성도 잘 모의하는 것으로 나타났다. 선박이라는 제약된 환경에서 수집할 수 있는 시계열 관측 정보를 이용해 미래 이동 가능한 해양환경을 예측할 때, 데이터의 특성이 지역과 시간의 관계가 독립적일지라도 보다 많은 데이터를 사용하여 학습모델을 구성하는 것이 개별 학습 알고리즘 방법론을 선정하는 것보다 더 중요함을 알 수 있다. 또한 예측 항목별로 결과가 상이한 만큼 개별적으로 평가한 모델을 앙상블하여 결합하고자 최적화된 알고리즘이 제시될 필요가 있으며 local optima 문제를 일정 수준 이상 해결해 줄 수 있으리라 판단된다. 또한 이러한 솔루션은 자율운항선박에서 요구되는 인공지능 기반의 다양한 의사결정지원 정보 생산 기술 개발 시 모델 구성에 참고할 수 있으리라 기대된다.
본 연구는 기상1호의 2021년 1년간 데이터를 활용하여 실시간 관측 기반의 해양환경 인공지능 예측 기술 검증하였으나 고도화를 위하여 더 많은 실 선박 관측 자료와 다양한 사례에 대해 추가 검증이 필요하다. 현재 자율운항선박 내 해양환경 관측장비로 파랑 레이다, 해양기상 관측센서, CCTV 영상 센서와 이를 분석하는 기술이 연구·상용화될 예정임으로 이를 통한 실 운항 결과와 접목된 예측 판단과 다른 자율운항선박용 의사결정정보 생산의 입력데이터로 활용되는 연구로 발전되어야 한다. 더불어 IHO에서는 선박 항해 표시장치(예.ECDIS, e-Navigation)에서 전자해도와 함께 해수위, 항로표지 등과 같은 다양한 해양환경정보를 활용하기 위해 S-100 표준을 논의하여 구체적인 기준을 도출하고 있다.(Lee at al, 2021). 향후 연구에서는 S-100과 해양환경 예측 정보 연계, 해양환경 예측 기반 선박 운동성 평가 및 항로 추정 지원 등과 연계한 실용화 연구를 진행하고자 한다. 또한 실 관측 데이터를 이용한 검증 기간을 늘려 해양환경 인공지능 예측 기술의 정확도를 향상시키고자 한다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
