머신러닝 예측 알고리즘을 이용한 선박 접안속도에 영향을 미치는 요인 분석 :Analysis of Factors influencing Berthing Velocity of Ship using Machine Learning Prediction Algorithm

이형탁

추천

검색

자료유형: 학위논문

저자정보: 이형탁 (한국해양대학교, 한국해양대학교 대학원)

지도교수: 조익순

발행연도: 2019

저작권: 한국해양대학교 논문은 저작권에 의해 보호받습니다.

이용수22

이 논문의 연구 히스토리 (2)

2021

머신러닝 알고리즘을 활용한 선박 접안속도 예측모델에 관한 연구

이형탁 , 강은지 , 조익순 외 1명 한국정보과학회 학술발표논문집 2021.06 학술대회자료

2019

머신러닝 예측 알고리즘을 이용한 선박 접안속도에 영향을 미치는 요인 분석

이형탁 해양플랜트운영학과 2019.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

선박이 항만·부두시설에 접안할 때 선박운항자 및 항만관리자는 선박의 접안에너지를 고려해야한다. 선박은 항만시설의 허용 접안에너지 이내로 접안해야 선체를 보호하고 항만시설의 파손을 예방할 수 있다. 이러한 접안에너지에 가장 큰 영향을 미치는 요소는 접안속도로서 선박은 적정 접안속도를 유지하며 접안하는 것이 매우 중요하다.
선박 접안속도는 날씨, 항만의 위치, 선박의 종류, 인적요인 등 다양한 요인들의 영향을 받아 결정된다. 하지만 그동안 연구 및 분석되었던 국내외 접안속도 기준은 수집된 선박 접안데이터를 바탕으로 선박의 크기만을 고려하여 적정 접안속도를 제안하였다. 또한 데이터를 기반으로 통계적 기법만을 활용한 분석결과를 제시하였다.
본 연구에서는 선박 접안속도 데이터를 바탕으로 통계적 기법만이 아닌 빅데이터 분석 중 하나인 머신러닝 기법을 활용하고자 한다. 빅데이터 분석은 다양한 변수를 종합적으로 분석하여 미래를 예측하고 의사결정을 하는 방법으로서 선박 접안속도의 다양한 영향요소를 모두 활용하여 분석하고 예측을 할 수 있다. 따라서 선박운항자는 접안 시 적정 접안속도를 예측하여 사고 예방을 할 수 있으며, 항만관리자 입장에서는 안전 관리에 참고할 수 있다.
따라서 본 연구에서는 국내의 한 탱커부두에서 선박 접안 보조 장치를 통해 약 17개월(2017.03. ~ 2018.07.) 간 수집한 206개의 실측데이터를 바탕으로 머신러닝 기법을 적용하여 예측모델을 구축하고자 한다. 수집한 실측데이터에서 분석에 필요한 데이터를 선별하여 독립변수와 종속변수를 선정하고 상관관계 분석 및 교차분석을 통해 유의미한 변수를 채택하였다.
머신러닝 알고리즘으로는 의사결정나무(Decision Tree), 랜덤포레스트(Random Forest), 로지스틱 회귀분석(Logistic Regression), 인공신경망(Artificial Neural Network)을 활용하였다. 예측모델의 예측정확도 검증을 위한 방식으로는 Hold-Out 방식을 채택하였으며 Train data set과 Test data set을 7:3으로 분리하였다.
Train data set을 통해 구축된 예측모델은 Test data set을 이용하여 혼동행렬에 따른 지표와 ROC 곡선으로 성능을 비교하였다. 그 결과, 랜덤포레스트가 가장 좋은 성능을 보였으며 의사결정나무, 로지스틱 회귀분석이 비교적 낮은 성능을 보였다. 좋은 성능을 보인 랜덤포레스트에 따르면 접안속도에 영향을 미치는 요인은 화물의 적재상태, 선박의 질량, 접안 부두 위치, 접안각도 순으로 나타났다.
본 연구에서는 선박 접안속도 실측데이터를 바탕으로 빅데이터 분석방법인 머신러닝 기법을 적용하였다. 분석 결과, 빅데이터 분석방법을 통하여 접안속도 예측이 가능하다는 것을 확인하였으며, 접안속도에 영향을 미치는 요인을 식별하여 선박운항자와 항만관리자의 사고 예방에도 도움을 줄 수 있음을 확인하였다. 이를 통해 선박 및 해운분야에서도 데이터 축적을 통하여 빅데이터에 기반한 머신러닝, 인공지능 등의 기법으로 예측모델, 의사결정모델 등의 활용 가능성을 제시하였다. 하지만 다양한 선종 및 부두의 데이터 수집을 통한 추가 연구가 필요하며, 접안속도에 영향을 미치는 모든 요인을 분석에 활용하지 못한 한계점을 가진다. 또한 오랜 기간동안 데이터를 수집하여 더욱 정확한 예측모델을 구축할 필요가 있다.

When a ship is in contact with the dock facilities of the port, the ship operator and the port manager shall consider the ship''s berthing energy. Ships must meet within the allowable berthing energy of port facilities to protect the hull and prevent damage to ports facilities. The factor that has the greatest effect on the berthing energy is the berthing velocity, so it is very important for ships to meet and maintain proper berthing velocity.
The ship’s berthing velocity is determined by various factors including weather, the location of the port and dock, the type of ships and human factors. However, based on the domestic and overseas berthing velocity criteria that had been studied and analyzed, the proper berthing velocity was proposed based on the collected vessel berthing data, considering only the size of the vessel. In addition, the analysis results using only statistical techniques were presented based on data.
In this study, I intend to use machine learning techniques, which are one of big data analyses, not just statistical techniques, based on vessel berthing velocity data, to suggest proper berthing velocity. Big data analysis is a method of comprehensively analyzing various variables to predict the future and make decisions, and it can be analyzed and predicted using all the various factors of ship''s berthing velocity. Therefore, the vessel operator can prevent accidents by predicting the appropriate berthing velocity, and from the point of view of the port manager, it can be a safety management standard.
In this study, a prediction model was built by applying machine learning techniques based on 206 actual data collected for 17 months from March 2017 to July 2018 through a ship berthing assist device at the local tanker dock. Independent variables and dependent variables were selected by data needed for analysis from the measured data, and significant variables were adopted through correlation analysis and cross analysis.
Decision Tree, Random Forest, Logistic Regression, and Artistic Neural Network were used as machine learning algorithms. The Hold-Out method was adopted as a way to verify the accuracy of the prediction model. The Train data set and Test data set were separated by 7:3.
Prediction model built through the Train data set was used to compare performance with the indicators according to the Confusion matrix and ROC curve by using the test data set. As a result, random forest performed best and decision trees and logistic regression performed relatively low. According to Random Forest, which showed good performance, factors affecting the berthing velocity were shown in order of the loading condition of the cargo, tonnage of the ship, location of the jetty and approach angle of the vessel.
In this study, the machine learning technique, which is a big data analysis method, was applied based on actual data of the vessel''s berthing velocity. As a result of the analysis, it was confirmed that the berthing velocity prediction is possible through the analysis of big data, and that the factors affecting the berthing velocity could be identified to help prevent accidents for ship operators, port and dock managers. Through this study, it was shown that it is possible to utilize prediction model and decision-making model in the field of ship and marine transportation by using machine learning and artificial intelligence based on big data. However, further research is needed through data collection at various types of vessel and docks, and all factors affecting the berthing velocity have not been utilized in the analysis. It also needs to collect data over a long period of time to build more accurate prediction models.

1. 서 론 1
1.1 연구 배경 및 목적 1
1.2 연구 방법 3
2. 선박 접안에너지 5
2.1 접안에너지 5
2.1.1 접안에너지 산정 5
2.1.2 접안에너지 영향요인 분석 6
2.2 접안속도 10
2.2.1 PIANC 11
2.2.2 국내외 접안속도 기준 및 연구사례 16
3. 빅데이터와 머신러닝 21
3.1 빅데이터 21
3.2 머신러닝 25
3.3 의사결정나무 32
3.4 랜덤포레스트 35
3.5 로지스틱회귀 38
3.6 인공신경망 40
4. 실측 데이터 분석 43
4.1 데이터 수집 및 선정 43
4.1.1 데이터 수집 43
4.1.2 데이터 선정 46
4.2 기초 데이터 분석 53
4.2.1 범주형 변수 53
4.2.2 연속형 변수 62
4.3 연관성분석 66
4.3.1 상관분석 66
4.3.2 교차분석 69
4.3.3 변수채택 71
4.4 다중선형회귀 72
5. 예측모델 알고리즘 77
5.1 개요 77
5.2 접안속도 예측모델 81
5.2.1 의사결정나무 81
5.2.2 랜덤포레스트 83
5.2.3 로지스틱회귀 85
5.2.4 인공신경망 86
5.3 예측모델 성능비교 90
5.3.1 혼동 행렬 90
5.3.2 ROC 곡선 94
5.4 최종모델 선택 및 영향요인 분석 96
6. 결론 및 향후과제 98
6.1 결론 및 향후과제 98
참고문헌 101

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)