장단기 기억 신경망을 활용한 선박교통 해양사고 패턴 분석 및 예측 = Analysis and Prediction Methods of Marine Accident Patterns related to Vessel Traffic using Long Short-Term Memory Networks

다국어 초록 (Multilingual Abstract)

Quantitative risk levels must be presented by analyzing the causes and consequences of accidents and predicting the occurrence patterns of the accidents. For the analysis of marine accidents related to vessel traffic, research on the traffic such as collision risk analysis and navigational path finding has been mainly conducted. The analysis of the occurrence pattern of marine accidents has been presented according to the traditional statistical analysis. This study intends to present a marine accident prediction model using the statistics on marine accidents related to vessel traffic. Statistical data from 1998 to 2021, which can be accumulated by month and hourly data among the Korean domestic marine accidents, were converted into structured time series data. The predictive model was built using a long short-term memory network, which is a representative artificial intelligence model. As a result of verifying the performance of the proposed model through the validation data, the RMSEs were noted to be 52.5471 and 126.5893 in the initial neural network model, and as a result of the updated model with observed datasets, the RMSEs were improved to 31.3680 and 36.3967, respectively. Based on the proposed model, the occurrence pattern of marine accidents could be predicted by learning the features of various marine accidents. In further research, a quantitative presentation of the risk of marine accidents and the development of region-based hazard maps are required.

국문 초록 (Abstract)

해양사고 예방을 위해서는 사고의 원인과 결과에 대한 분석 및 진단뿐만 아니라, 사고의 발생 패턴과 변화 추이를 예측함으로써 정량적 위험도를 제시할 필요성이 있다. 선박교통과 관련된 해양사고 예측은 선박의 충돌위험도 분석 및 항해 경로 탐색 등 선박교통의 흐름에 관한 연구가 주로 수행되었으며, 해양사고의 발생 패턴에 대한 분석은 전통적인 통계 분석에 따라 제시되었다. 본 연구에서는 해양사고 통계 자료 중 선박교통관련 사고의 월별, 시간대별 발생 현황 데이터를 활용하여 해양사고 발생 예측 모델을 제시하고자 한다. 국내 해양사고 발생 현황 중 월별, 시간대별 데이터 집계가 가능한 1998년부터 2021년까지의 통계자료 중 선박교통 관련 데이터를 분류하여 정형 시계열 데이터로 변환하였으며, 대표적인 인공지능 모델인 순환 신경망 기반 장단기 기억 신경망을 통하여 예측 모델을 구축하였다. 검증데이터를 통하여 모델의 성능을 검증한 결과 RMSE는 초기 신경망 모델에서 월별 52.5471, 시간대별 126.5893으로 나타났으며, 관측값으로 신경망 모델을 업데이트한 결과 RMSE는 월별 31.3680, 시간대별 36.3967로 개선되었다. 본 연구에서 제안한 신경망 모델을 기반으로 다양한 해양사고의 특징 데이터를 학습하여 해양사고 발생 패턴을 예측할 수 있을 것이다. 향후 해양사고 발생 위험의 정량적 제시와 지역기반의 위험지도 개발 등에 관한 추가 연구가 필요하다.

참고문헌 (Reference)

• 1 노호래, "해양사고의 사례분석과 해양경찰의 대응방안 – 여객선 사고를 중심으로 -" 한국공안행정학회 23 (23): 127-160, 2014
• 2 이명기 ; 박영수 ; 이은방 ; 나송진, "해양사고 조사방법 개선방안에 관한 연구" 한국해양경찰학회 9 (9): 111-129, 2019
• 3 정창현 ; 김화영 ; 이창현, "해양사고 분석을 통한 정책방향 제시" 한국해양경찰학회 7 (7): 159-181, 2017
• 4 선로빈 ; 유정훈 ; 방준호 ; 송제호 ; 소병문, "풍황계측기 실측데이터를 이용한 풍력발전량 단기예측 LSTM 모델 설계" 국제차세대융합기술학회 5 (5): 1018-1026, 2021
• 5 정재용 ; 정초영, "진도 연안VTS의 성과 분석 및 기능에 관한 실증적 연구" 해양환경안전학회 18 (18): 308-315, 2012
• 6 현승현 ; 이병기 ; 김건위 ; 추병주, "지방정부의 재난대응체계에 관한 비교 연구: 한국과 일본의 해양오염사고 사례를 중심으로" 한국행정학회 43 (43): 273-306, 2009
• 7 윤주상 ; 이태진, "엣지 시스템을 위한 LSTM 기반 화재 및 악취 예측 모델" 한국정보처리학회 11 (11): 67-72, 2022
• 8 정창현, "어선의 해양사고 분석을 통한 안전성 제고 방안" 한국수산해양교육학회 30 (30): 176-186, 2018
• 9 김재호 ; 김장영, "시계열 데이터를 활용한 코로나19 동향 예측" 한국정보통신학회 25 (25): 884-889, 2021
• 10 신동호 ; 지승현, "선박교통관제에 관한 법률에 대한 비판적 고찰" 해양환경안전학회 26 (26): 336-345, 2020
• 11 이리나 ; 김주성 ; 이홍훈 ; 이진석 ; 남궁호, "선박교통관제 클라우드 시스템 개발에 따른 사용자 요구사항 분석" 해양환경안전학회 28 (28): 314-323, 2022
• 12 배성완 ; 유정석, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측" 한국주택학회 26 (26): 107-133, 2018
• 13 이지인 ; 송정석, "다변수 LSTM 순환신경망 딥러닝 모형을 이용한 미술품 가격 예측에 관한 실증연구" 한국콘텐츠학회 21 (21): 552-560, 2021
• 14 김종성, "VTS관제사의 최소안전거리에 관한 기초 연구" 해양환경안전학회 19 (19): 476-482, 2013
• 15 Olah, C, "Understanding LSTM Networks"
• 16 Korean Maritime Safety Tribunal, "Status of Marine Accidents"
• 17 신동하 ; 최광호 ; 김창복, "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델" 한국정보기술학회 15 (15): 9-16, 2017
• 18 Shin, D. S, "Marine Accident Prediction Model Based on Artificial Neural Network" 18 (18): 43-50, 2021
• 19 Hochreiter, S, "Long Short-Term Memory" 9 (9): 1735-1780, 1997
• 20 노유진 ; 배상훈, "LSTM을 이용한 교통사고 발생 패턴 예측" 한국ITS학회 20 (20): 59-73, 2021
• 21 International Maritime Organization, "International Convention for the Safety of Life at Sea 1974 Amended 2020" International Maritime Organization 2020
• 22 Lee, L. N, "Development of Priority Index for Intelligent Vessel Traffic Monitoring System in Vessel Traffic Service Areas" 12 (12): 3807-, 2022
• 23 Korean Statistical Information Service, "Annual Marine Accident Statistics"
• 24 박병수 ; 안영섭, "ANOVA에 의한 해양사고의 통계분석" 해양환경안전학회 13 (13): 191-198, 2007
• 25 Kim, J. S, "A study on Cognitive Work Analysis of VTS operation and effective utilization" Mokpo maritime university 2014