1. 서 론
세계 해상 물동량의 지속적인 증가와 선박의 대형화로 인해 주요 항만 및 연안 해역의 해상교통 혼잡도가 심화되고 있다. 이에 따라 해상 안전 확보와 효율적인 해상교통 관제를 위해 선박의 실시간 정보를 수집·활용하는 시스템의 중요성이 높아지고 있다(Choi et al., 2025).
AIS(Automatic Identification System)의 도입은 선박의 위치, 침로, 속력 등 방대한 실시간 데이터를 확보하는 계기가 되었으며(Lee and Park, 2010), 이를 활용하여 선박의 실질적인 운항 경로를 분석하고 운항 특성을 추출하려는 연구가 지속적으로 진행되고 있다(Kim and Yoo, 2025).
AIS 데이터 기반 경로 분석 연구들은 주로 대용량 점 데이터를 시계열 항적 단위로 변환한 후, DBSCAN이나 K-Means 등의 군집화 알고리즘을 직접 적용하는 방식을 채택하였다. 그러나 이러한 방식은 분석 대상 해역 전체의 대용량 데이터를 처리하는 과정에서 연산 과부하가 발생하여 실용적 적용에 한계가 있다(Zhang et al., 2024). 또한, 선박의 정박·변침 등에서 발생하는 노이즈(Noise) 데이터가 경로 압축 성능을 왜곡하며, 추출된 항적을 직관적인 통항 노드 형태로 단순화하여 관리하기 어렵다는 한계도 존재한다. 기존 연구들은 출발지와 목적지를 사전에 지정하거나 해역 전체를 일괄 처리하는 구조적 특성으로 인해 복잡한 연안 해역에서 다중 항로를 자동으로 식별하는 데 어려움이 있다(Onyango et al., 2022). 이에 따라 공간 필터링을 선행하여 연산 부담을 줄이면서도 주요 출발지·목적지를 자동으로 탐색할 수 있는 방법론 개발이 요구된다.
본 연구에서는 이러한 한계를 극복하기 위해 공간 필터링 개념을 도입한 Slide Frame 모델을 제안한다. 제안 모델은 관심 해역의 기하학적 외곽 경계를 사각형 형태의 공간적 Slide Frame으로 정의하고, 노드 밀도가 높은 공간을 자동으로 탐색한 후, 이를 Douglas-Peucker(DP) 알고리즘과 결합하여 주요 항적을 효율적으로 생성한다.
본 논문의 구성은 다음과 같다. 2장에서는 선박 항적 식별에 관한 선행 연구를 고찰하고, 3장에서는 Slide Frame 기반 선박 경로 식별 모델의 구조를 제시한다. 4장에서는 목포 연안 해역을 대상으로 한 적용 사례를 소개하며, 5장에서는 결론 및 향후 연구 방향을 기술한다.
2. 선행 연구
선박 항적 식별은 항적 분석, 충돌 방지, 이상 거동 탐지 등 다양한 연구의 기초자료로 활용된다(Lee et al., 2023). 선박 항적을 식별하기 위한 방법은 크게 출발점과 도착점을 기준으로 하는 전체 경로 식별, 해상교통 혼잡 구간이나 주요 항해 패턴 파악에 유용한 부분 경로 식별 및 일부 지점의 경로 식별로 구분된다(Tang, 2021). 특히, 부분 궤적 구간의 유사도 측정은 전체 경로 식별과 달리 지역적 운항 패턴과 같은 세부 특징을 추출하는 데 유용하다.
Park et al.(2014)은 e-Navigation 도입에 따른 경로 공유 체계를 분석하고 VTS 중심의 경로 조정 필요성과 관제 장비 개선안을 정책적으로 제시하였다. 그러나 관제 시스템의 기준이 되어야 할 해역별 표준 항로를 데이터로부터 자동 추출하는 공학적 방법은 제시하지 못하였다는 한계가 있다. Kim et al.(2020)은 선박의 영역 단위 경로 예측을 위해 과거 선박 정박 위치와 목적지를 공간 격자로 분할하여 영역 단위 경로를 추출하였다. 그러나 분석 영역이 정박 위치와 목적지로 한정되어 주요 항로 구간의 경로는 추출할 수 없다는 한계가 있었다. Zhang et al.(2024)은 Douglas-Peucker 알고리즘을 이용하여 단순화된 항적에 각도 및 방향 정보를 추가하여 최적 항로 결정을 위한 항적을 구분하였다. 그러나 궤적 구간의 세분화가 충분하지 않아 궤적 세부 정보의 손실이 발생할 수 있으며, 다중 선박 경로 식별 환경에서는 분류 정확도가 저하될 수 있음을 한계로 지적하였다. Lee et al.(2024)는 DBSCAN 알고리즘과 차원 축소 기법을 결합하여 선박의 항적을 계층적 세분화하였다. 그러나 적용 해역의 범위와 데이터 처리 속도 측면에서 추가적인 개선이 필요함을 제시하였다.
항적 식별에서 일반적으로 활용되는 DBSCAN은 군집 수를 사전에 지정할 필요가 없고 노이즈 제거 성능이 우수하나, 입력 데이터 규모가 증가할수록 연산 비용이 급증하고 과적합이 발생할 수 있다는 단점이 있다(Choi et al., 2023). Douglas-Peucker 알고리즘은 허용 오차 범위 내에서 변침점만을 추출하여 항적 데이터를 효과적으로 압축하지만, 항적 노이즈에 의한 경로 일반화 오류가 발생할 수 있으며 다중 선박 환경에서의 적용에 한계가 있다.
이처럼 기존 연구들은 항적 분류 및 경로 식별에 있어 각각의 방법론적 기여에도 불구하고 출발지·목적지의 자동 탐색, 광역 해역에서의 확장성, 연산 효율성을 동시에 충족하는 통합적 접근이 부재하다는 공통적인 한계를 지닌다. 따라서 본 연구에서는 공간 밀도 기반의 슬라이드 프레임(Slide Frame) 모델을 제안하여 AIS 데이터로부터 주요 출발지와 목적지를 자동으로 탐색하고, 이를 기반으로 주요 항적을 분류하는 방법을 제시하고자 한다.
3. 선박 경로 식별 모델 개발
제안하는 방법론은 전체 해역에서 특정 관심 구역을 직사각형 형태의 액자 프레임(Slide Frame)으로 정의하는 것으로 시작된다. 프레임의 경계면을 통과하는 선박의 출입 위치를 추출하여 군집화를 수행함으로써 출발구역과 도착구역을 먼저 식별한다. 이후 이들을 연결하는 항적을 1차 클러스터링하고, 최종적으로 DP 알고리즘을 적용하여 복잡한 항적에서 핵심 변침점인 대표 노드를 추출하여 단순화된 주요 항적을 생성한다.
3.1 Slide Frame 모델
본 연구에서 제안하는 Slide Frame 모델은 대용량 AIS 데이터를 대상으로 군집화 및 궤적 매칭을 수행할 때 발생하는 연산 과부하 문제를 전처리 단계에서 해결하기 위해 개발된 공간 필터링 기법이다. 연안 해역이나 항만 진입 수로를 통항하는 선박 항적을 분석할 때, 관심 해역 내부의 모든 동적 위치를 군집 알고리즘의 입력으로 직접 활용하는 것은 시간 복잡도 측면에서 비효율적이다. DBSCAN 등 밀도 기반 군집화 알고리즘의 연산 비용은 입력 데이터 수가 증가함에 따라 O(n2)에 근접하여 급격히 증가하기 때문이다. 이를 해결하기 위해 Slide Frame 모델은 분석 대상 해역의 외곽 경계를 사각형 프레임으로 정의하고, 해당 경계면을 출입하는 핵심 게이트웨이 포인트(Gateway Points)만을 연산 대상으로 분리하는 과정을 적용한다. 전체 분석 대상 해역에서 수집·정형화된 전체 위도·경도 위치 데이터를 Xall이라 하고, 액자 틀 영역의 경계를 경도 범위 Lonmin, Lonmax와 위도 범위 Latmin, Latmax로 설정한다. 이때, 관심 영역 내부에 포함되는 데이터 집합은 Xin이며 식(1)과 같다.
내부 영역 데이터를 전체 데이터에서 제외하고 프레임 외곽 경계에 걸쳐 실질적인 진입과 진출이 발생하는 유효 출입 데이터 집합 Xframe은 식(2)와 같다.
행렬 기반의 공간 프레임 필터링 구조는 반복 조건문 루프를 최소화하여 연산 성능을 향상시킨다. 결과적으로 후속 단계인 DBSCAN 알고리즘으로 유입되는 입력 데이터의 규모를 물리적으로 축소하여 전체 경로 식별 효율을 높인다.
기존 경계 기반 경로 추출 기법은 출발지·목적지의 공간적 위치를 관심영역(ROI, Region of Interest)으로 사전에 직접 지정하거나 전체 해역을 일정 크기의 격자로 분할하여 격자 내 데이터 밀도를 통해 통항 패턴을 분석하였다. 이러한 방식은 사전 식별 데이터에 의존하거나 전체 데이터를 일괄 처리해야 하는 구조적 한계가 존재한다. 이에 반해 Slide Frame 방법은 분석 목적에 따라 자연스럽게 결정되는 해역의 지리적 범위만을 사각형 프레임으로 설정하고, 출발지·목적지의 구체적 위치와 개수는 경계면을 실제로 출입하는 게이트웨이 포인트의 밀도 분포로부터 자동으로 탐색한다. 또한 격자 분할 없이 공간을 자동으로 분류하고 내부 이동 데이터를 연산 대상에서 제외하여 입력 데이터를 축소한다는 점에서 기존 기법과 차별성을 가진다.
3.2 DBSCAN 모델
밀도 기반 군집화 알고리즘인 DBSCAN은 인위적인 군집 수 지정 없이 데이터 포인트의 밀집도에 따라 비정형 군집을 식별하는 비지도 학습 기법이다. 이 알고리즘은 Fig. 1과 같이 반경 임계값 Eps와 최소 포인트 수 MinPts의 두 매개변수로 작동한다(Lee, 2026). Eps 범위 내 이웃 점의 수가 MinPts 이상인 구역을 고밀도 밀집 영역으로 인정하며, 이 기준에 부합하지 않는 포인트는 노이즈로 분류하여 제외한다. DBSCAN은 선박 경로의 유사도를 측정하기 전에 궤적을 압축하는 전처리 과정과 결합하여 효율성을 높이는 방식으로 활용된다(Tang, 2021).
3.3 Douglas-Peucker 모델
DP 알고리즘은 DBSCAN이 밀도 기반으로 식별한 선박 거점 사이의 복잡한 항적을 핵심 변침점 중심으로 압축하여 단순화하는 기법이다(Kim and Lee, 2023). 이 알고리즘은 허용 오차 임계값과의 비교를 통해 좌표점 수를 축소하는 방식으로 동작한다. Fig. 2(a)와 같이 초기 경로의 시작점과 끝점을 연결하는 직선을 기준선으로 설정한 후에 기준선으로부터 가장 멀리 위치한 점을 탐색한다. 해당 점의 수직 거리가 임계 거리를 초과하면 변침점으로 유지하고, 미만이면 제거하는 탐색 과정을 거친다(Fig. 2(b)). 이 과정을 모든 구간에 반복하면 Fig. 2(c)와 같이 경로가 주요 변침점만으로 단순화된다(Zhao et al., 2018).
3.4 선박 경로 식별 모델
본 연구에서 제안하는 선박 경로 식별 모델은 Slide Frame 필터링, DBSCAN 군집화, Douglas-Peucker 압축의 세 단계로 구성된 전처리 과정과, 이를 기반으로 대표 노드를 추출하여 선박 경로를 생성하는 후처리 과정으로 이루어진다. 전체 처리 흐름은 Fig. 3과 같다.
데이터 전처리 단계에서는 수집된 원시 AIS 데이터에서 결측값, 위치 오류, 정박 중 반복 신호 등의 노이즈를 제거하고 선박별 시계열 항적으로 재구성한다. Slide Frame 필터링 단계에서는 분석 해역의 외곽 경계를 사각형 프레임으로 설정하고, 내부 고밀도 데이터를 제외한 게이트웨이 포인트 집합을 추출한다. 추출된 게이트웨이 포인트에 DBSCAN을 적용하여 선박의 주요 출발지와 목적지 클러스터를 식별하고, 각 클러스터를 연결하여 해당 구간의 항적을 분류한다. 항적 압축 단계에서는 분류된 항적에 DP 알고리즘을 적용하여 변침점 중심의 단순화된 경로를 생성하고, 생성된 변침점 집합에 DBSCAN을 재적용하여 경로상의 핵심 통항 노드를 추출한다. 이 과정은 단일 적용으로 식별하기 어려운 밀집 구간의 대표 경유지를 정밀하게 탐색하기 위한 것으로 DBSCAN의 반복 적용을 통해 경로의 구조적 특성을 계층적으로 식별한다. 마지막으로 선박 경로 생성 단계에서는 추출된 대표 노드를 통항 순서에 따라 연결하여 최종 주요 항적을 식별한다.
4. 실험 결과 및 분석
본 연구의 실험 해역은 목포 시아해 및 목포항 내를 대상으로 선정하였다. 목포 시아해는 다양한 선종의 선박이 통항하는 병목 구간으로 해상교통 혼잡도가 높아 선박 경로 식별의 필요성이 높은 해역이다. 수집된 원시 AIS 데이터에 대해 선속이 5 kts 미만인 데이터는 계류 또는 조업 행위라고 판단하여 분석 대상에서 제외하였고, 일반적인 선박의 물리적 운항 한계를 초과하는 30 kts 이상의 속력 데이터는 시스템 오차 또는 수신 오류로 판단하여 전처리 과정에서 함께 제외하였다. Fig. 4(a)는 연속된 30일간 수집된 총 42,822,808개의 AIS 데이터를 30초 간격으로 선형 보간한 결과이며, Fig. 4(b)는 전처리된 AIS 데이터에 Slide Frame 필터링을 적용하여 추출된 156,860개의 게이트웨이 포인트를 나타낸다.
본 연구에서 적용된 알고리즘의 주요 파라미터는 클러스터 수, 노이즈 수, 실루엣 계수, 압축률을 비교하는 민감도 분석을 통해 경험적으로 결정하였다. 실루엣 계수는 클러스터 내부 응집도와 클러스터 간 분리도를 동시에 반영하는 군집화 품질 평가 지표로 1에 가까울수록 군집화 품질이 우수함을 의미한다(Rousseeuw, 1987).
1차 DBSCAN의 파라미터 결정은 MinPts를 먼저 설정한 후 Eps를 결정하는 순차적 방식을 적용하였다(Ester et al., 1996). MinPts는 Eps 탐색 범위의 중간값인 500 m를 초기 고정값으로 설정하고 Table 1과 같이 100에서 500 범위까지 변화시키며 클러스터 수, 노이즈 수, 실루엣 계수를 비교하였다.
MinPts 100에서는 클러스터 수가 8개로 분할되었으며, MinPts 200에서 500 구간까지 클러스터 수는 7개로 유지되었다. 이 구간에서 실루엣 계수는 MinPts 300부터 0.98로 수렴하였지만, 노이즈 수는 MinPts 증가에 따라 446개에서 631개로 지속적으로 증가하였다. 따라서 실루엣 계수가 0.98로 수렴하기 시작하는 구간 중 노이즈 수가 가장 적은 MinPts 300을 최종 파라미터로 선정하였다.
선정된 MinPts 300을 고정하여 Eps를 Table 2와 같이 100 m에서 900 m 범위까지 변화시키며 비교하였다.
Eps 100 m에서는 노이즈 수가 9,690개로 군집화가 불안정하였으며, 700 m 이상에서는 인접 클러스터가 통합되어 클러스터 수가 감소하였다. 300 m에서 500 m 범위에서 클러스터 수 7개가 유지되었으나, Eps 증가에 따라 노이즈 수와 실루엣 계수는 함께 감소하였다. 따라서 클러스터 수 7개를 유지하면서 노이즈 수와 실루엣 계수 간의 안정화되는 500 m를 최종 파라미터로 선정하였다.
Slide Frame 필터링을 통해 추출된 게이트웨이 포인트에 선정된 파라미터를 적용한 1차 DBSCAN을 수행한 결과, Fig. 5(a)와 같이 노이즈(-1)로 분류된 포인트를 제외하고 총 7개의 주요 게이트웨이 클러스터를 식별하였다. 각 클러스터는 목포 시아해 및 목포항 진입 수로 상의 주요 통항 거점을 공간적으로 대표하는 게이트웨이 포인트로 구성된다. 식별된 7개의 클러스터는 Fig. 5(b)와 같이 선박의 출발지 또는 목적지 공간으로 지정되며, 이후 경로 식별을 위한 공간적 기준으로 활용된다.
DP 알고리즘의 허용 오차는 Table 3과 같이 50 m에서 250 m 범위까지 평균 변침점 수와 데이터 압축률을 비교하였다.
허용 오차가 증가할수록 압축률은 높아지나 평균 변침점 수가 감소하는 경향을 보였다. 특히 허용오차 50에서 100 범위은 변침점 수가 16.0개에서 11.1개로 4.9개 급감소하였으나, 100 이후부터는 감소폭이 2.0개, 1.3개, 0.8개로 둔화되었다. 따라서 변침점 감소폭이 둔화되기 시작하는 허용오차 100 m를 경로의 핵심 변침점과 불필요한 중간 포인트의 자연스러운 분기점으로 판단하여 최종 파라미터로 선정하였다.
2차 DBSCAN의 파라미터 결정도 MinPts를 먼저 설정한 후에 Eps를 결정하는 순차적 방식을 적용하였다. 2차 DBSCAN은 항로를 따라 연속적으로 분포하는 변침점 군집에서 대표 경유지를 탐색하는 것이 목적이다. 변침점의 공간적 연속성으로 인해 인접 클러스터 간 거리가 가까워 실루엣 계수가 구조적으로 낮게 산출되므로 클러스터 간 분리도를 측정하는 실루엣 계수보다 클러스터 수와 노이즈 수의 균형을 평가 기준으로 적용하였다. MinPts는 Eps 탐색 범위의 중간값인 200 m를 초기 고정값으로 설정하고 Table 4와 같이 5에서 25 범위에서 변화시키며 클러스터 수와 노이즈 수를 비교하였다.
MinPts 5에서 10으로 증가하는 범위에서 클러스터 수가 40개에서 23개로 17개 감소하였으나, MinPts 10 이후부터는 클러스터 수가 20개 전후로 나타났다. 반면 노이즈 수는 MinPts 증가에 따라 508개에서 1,327개로 지속적으로 증가하면서 유효한 클러스터가 제거되는 것을 확인할 수 있었다. 따라서 클러스터 수의 급격한 감소가 시작되기 직전이면서 노이즈 수가 가장 적은 MinPts 5를 최종 파라미터로 선정하였다.
선정된 MinPts 5를 고정하여 Eps를 Table 5와 같이 100 m에서 500 m 범위까지 변화시키며 비교하였다.
Eps 100 m에서는 클러스터 수가 49개로 분할되고 노이즈 수가 964개로 과다하게 발생하였다. 150 m에서 200 m 범위에서 클러스터 수가 40개로 유지되었으며, 250 m 이후부터는 클러스터 수가 31개, 27개로 감소하는 경향을 보였다. Eps 증가에 따라 노이즈 수는 964개에서 196개로 지속적으로 감소하였으나 클러스터 수도 함께 감소하는 트레이드오프(Trade-off) 관계를 보였다. 따라서 클러스터 수 40개가 유지되는 범위 내에서 노이즈 수가 적은 200 m를 최종 파라미터로 선정하였다.
식별된 7개의 게이트웨이 클러스터(C1-C7)를 출발지 및 목적지 공간으로 활용하여 MMSI(Maritime Mobile Service Identity)별 선박 경로를 추출하였다. 각 선박의 항적 데이터를 시계열 순서로 정렬한 후, 특정 클러스터에 최초로 진입한 시점을 출발점으로, 이후 도달하는 클러스터를 목적지로 설정하여 구간별 항적을 분리하였다. C1부터 C7까지 상호 출발점과 목적지를 변경하여 가능한 모든 방향성 경로 쌍에 대해 Fig. 6(a)와 같이 총 395개의 항적을 분류하였다. 동일한 출발지와 목적지 쌍에 속하는 항적은 하나의 경로 그룹으로 분류하며, 각 그룹은 색상으로 구분하여 시각화하였다. 이를 통해 목포 시아해의 주요 통항 패턴이 특정 클러스터 간의 반복적인 이동 경로로 구성됨을 확인할 수 있다.
분류된 경로 그룹에 DP 알고리즘을 적용하여 복잡한 항적을 단순화하였다. DP 알고리즘을 통해 항적의 주요 변침점만을 추출하고 나머지 중간 포인트를 제거하여 선박 경로 데이터를 Fig. 6(b)와 같이 압축한다. 각 경로 그룹의 핵심 변침점이 생성되어 복잡한 원본 항적이 주요 방향 전환 지점을 중심으로 단순화된 경로로 표현된다. 단순화된 변침점 집합에 DBSCAN을 재적용하여 Fig. 6(c)와 같이 공간적으로 밀집된 변침점 군집을 탐색하였다. DBSCAN의 반복 적용은 단일 적용으로 식별하기 어려운 중간 경유 구간의 구조적 특성을 단계적으로 정제하는 역할을 하며 최종적으로 선박 경로를 대표하는 주요 변침점이 선정된다. 선정된 대표 변침점은 이후 단계에서 출발지와 목적지 간의 주요 항적을 생성하기 위한 기초자료로 활용된다.
선정된 대표 변침점은 선박의 경로별로 식별되어 경로 수가 상대적으로 적은 경우, 통계적 대표성이 부족한 불필요한 노드가 포함될 수 있음을 확인하였다. 군집 기반 경로 식별 연구에서 주요 경로의 신뢰성을 확보하기 위해서는 충분한 표본 수가 요구되며 일반적으로 군집 내 최소 관측 빈도 기준을 설정하여 통계적으로 유의미한 경로만을 선별하는 방식이 활용된다(Shaw and Gopalan, 2014).
최소 경로 수 임계값은 Table 6과 같이 5개에서 25개까지 5개 간격으로 5개 후보값을 비교하였다.
임계값 5개와 10개에서는 경로가 각 17개와 16개로 감소폭이 1개에 불과하여 소수 항적에 의한 비정형 경로가 다수 포함되는 것을 확인하였다. 임계값 10개에서 15개 구간에서 경로가 16개에서 9개로 7개 감소하여 비정형 경로와 주요 경로 간의 자연스러운 분기점이 나타났다. 임계값 20개 이상에서는 경로가 6개로 수렴하여 추가적인 제거 효과가 나타나지 않았으며, 반복 통항하는 주요 항로까지 제외될 우려가 있었다. 따라서 경로의 급격한 감소가 시작되는 분기점인 임계값 15개를 최소 기준으로 설정하였다. 다만, 기준값은 목포 시아해의 데이터 특성에 기반한 것으로 해역 및 데이터 규모에 따라 달라질 수 있다.
결과적으로 Fig. 7과 같이 C3→C1(28개), C3→C2(15개), C6→C2(26개), C1→C3(50개), C5→C4(55개), C6→C5(50개), C7→C5(17개) 총 7개의 주요 항적이 식별되었다. 식별된 주요 항적은 출발지(원형)와 목적지(사각형) 간의 실제 통항 경로를 변침점(다이아몬드)으로 연결하여 나타낸 것으로 목포 시아해의 주요 선박 통항 패턴을 효과적으로 나타낸다. 특히 C1→C3(50개) 및 C5→C4(55개), C6→C5(50개) 경로는 통항 빈도가 높아 목포 시아해의 핵심 통항로로 판단된다.
제안 모델의 연산 효율성을 정량적으로 검증하기 위해 Slide Frame 필터링을 적용하지 않고 전체 AIS 데이터를 직접 DBSCAN으로 군집화하는 기존 방식과 처리시간을 비교하였다. 전체 데이터 42,822,808개를 대상으로 직접 DBSCAN을 수행하는 경우 실험 환경에서 현실적인 시간 내에 처리가 완료되지 않아, 0.1% 샘플링(42,823개) 데이터의 처리시간을 기준으로 전체 처리시간을 추정하였다. 추정 결과 기존 방식은 처리시간(약 3.7초)을 기준으로 총 1,028.2시간이 소요될 것으로 추정되었다. 반면, 제안 모델은 Slide Frame 필터링을 통해 입력 데이터를 156,860개로 99.6% 감소시켜 총 739.3초(약 12.3분)에 군집화를 완료하였다. 이는 약 5,008배의 연산시간 단축 효과에 해당하며, Slide Frame 필터링을 통한 입력 데이터 규모의 물리적 축소가 DBSCAN 알고리즘의 연산 부하를 효과적으로 개선하였음을 정량적으로 나타낸다. 다만 기존 방식의 처리시간은 실제 전체 데이터에 대한 직접 측정값이 아닌 샘플링 비율에 기반한 추정값으로 DBSCAN의 연산 복잡도가 데이터 분포와 밀도에 따라 비선형적으로 변화할 수 있다는 점에서 실제 처리시간과 차이가 발생할 수 있다.
5. 결 론
본 연구에서는 대용량 AIS 데이터로부터 선박의 주요 경로를 효율적으로 식별하기 위한 Slide Frame 기반 선박 경로 식별 모델을 제안하였다. 제안 모델은 Slide Frame 필터링, DBSCAN 군집화, Douglas-Peucker 압축의 세 단계를 결합한 통합 프로세스로 구성되며, 목포 시아해 및 목포항을 대상으로 실험을 수행하였다.
실험 결과, Slide Frame 필터링을 통해 42,822,808개의 AIS 데이터로부터 156,860개의 게이트웨이 포인트를 추출하고, DBSCAN을 적용하여 7개의 주요 출발지와 목적지 클러스터를 자동으로 식별하였다. 이를 기반으로 주요 항적을 식별하여 기존 방법의 수동 지정 방식과 연산 과부하 문제를 개선하였다.
그러나 본 연구는 다음과 같은 한계점을 가진다. 분석 대상이 목포 시아해로 한정되어 있어 다양한 해역 특성에 대한 일반화 가능성을 추가적으로 검증할 필요가 있다. 또한, Slide Frame의 경계 크기 및 DBSCAN의 파라미터 설정이 결과에 영향을 미칠 수 있으므로 해역별 최적 파라미터 자동 설정 방법에 대한 연구가 요구된다.
향후에는 정량적 지표를 활용한 최적 임계값 자동 결정, 선종별 경로 분류, 계절적 통항 패턴 변화 분석, 이상 거동 선박 탐지와의 연계 적용, 다양한 해역으로의 확장 검증 등을 통해 제안 모델의 실용성과 범용성을 더욱 발전시킬 계획이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
