MARS와 PAM을 활용한 순항 단계 고도 이탈 탐지 : Anomaly Detection of Cruise Phase Altitude Break Away using MARS and PAM :

문성일

추천

검색

자료유형: 학위논문

저자정보: 문성일 (인하대학교, 인하대학교 대학원)

지도교수: 박헌진

발행연도: 2023

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2023

MARS와 PAM을 활용한 순항 단계 고도 이탈 이상치 탐지

문성일 , 고영호 , 박지훈 외 1명 Journal of The Korean Data Analysis Society 2023.02 학술저널

MARS와 PAM을 활용한 순항 단계 고도 이탈 탐지 : Anomaly Detection of Cruise Phase Altitude Break Away using MARS and PAM

문성일 통계학과 2023.01 학위논문

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

초록· 키워드

오류제보하기

최근 항공 데이터를 통해 항공 사고의 전조 징후를 분석하고 이를 탐지하는 방법이 연구되고 있다. 하지만 연구 대부분은 이·착륙 단계에 국한되어 있고, 순항 단계로 특정하는 명확한 정의가 존재하지 않기 때문에 순항 단계 탐색 연구는 드문 실정이다. 이 단계에서는 속도보다는 고도, 경로에 따른 이탈이 발생하게 되는데, 본 논문에서는 고도 이탈을 클러스터링 방법으로 탐지하려고 한다. 2019년 1월부터 12월까지 수신된 ADS-B(automatic dependent surveillance- broadcast) 항적 자료에서 국내선 중 가장 많이 운행하는 김포 공항에서 제주 공항으로 운항하는 항공편의 10%를 sampling 한 약 4,250편의 항공편을 대상으로 연구를 진행했다. MARS(multivariate adaptive regression splines) 모형과 단순 선형 회귀분석을 통해 항적 간의 기울기를 계산하여 순항 단계라고 정의할 수 있는 구간인 순항 기울기를 정의하였다. 그리고 Distance Measure인 EDR(edit distance on real sequence)과 DTW(dynamic time warping)를 활용해 항공편 간의 비유사도를 계산하였다. 2가지 클러스터 방법인 PAM, Hierarchical clustering 사용하였고, 평균 실루엣 너비가 가장 큰 PAM(partitioning around medoids)을 통해 항공편을 군집화했다. PAM을 통해 군집된 클러스터의 중심과 클러스터 내의 항공편 사이의 비유사도 값을 통해 이상치를 탐지하였고, 약 12% 항공편이 이상치 항공편으로 탐지되었다. 분석 결과를 바탕으로 전조 징후 중 하나인 고도 이탈을 보다 일찍 탐지하여 항공 사고를 막을 수 있을 것으로 기대된다. 후속 연구로는 항공 분야의 전문가의 도움으로 수집된 정상 데이터를 기반으로 이상치를 탐지하는 준-지도 학습(semi-supervised learning) 방법을 통해 이상치 탐지를 진행할 수 있다.

Recently, research has been conducted on analyzing precursor signs of aviation accidents and detecting them using recent trajectory data. However, most of the research has been limited to the takeoff and landing phases, and there is no clear definition specifically identifying the cruise phase, making research on cruise stage detection rare. In this phase, altitude deviation and deviations based on the flight path occur rather than speed. This paper aims to detect altitude deviations using clustering methods. The study focused on approximately 4,250 flights, which were a 10% sample of flights operating from Gimpo Airport, the most frequently traveled domestic route, to Jeju Airport, using ADS-B (Automatic Dependent Surveillance-Broadcast) trajectory data received from January to December 2019. The study defined the cruise gradient, which can be considered as the interval defining the cruise phase, by calculating the slope between trajectories using the MARS (Multivariate Adaptive Regression Splines) model and simple linear regression. Additionally, the similarity between flights was computed using the Distance Measures EDR (Edit Distance on Real Sequence) and DTW (Dynamic Time Warping). Two clustering methods, PAM (Partitioning Around Medoids) and Hierarchical Clustering, were used, and the flights were clustered using PAM, which had the highest average silhouette width. Outliers were detected by comparing the dissimilarity values between the centroids of the clustered flights and the flights within each cluster using PAM. Approximately 12% of the flights were identified as outlier flights. It is expected that early detection of altitude deviations, one of the precursor signs, based on the analysis results, can help prevent aviation accidents. In future research, utilizing semi-supervised learning methods based on collected normal data with the assistance of aviation experts can be employed to detect outliers.

#ADS-B #MARS #PAM #DTW #Anomaly Detection

1. 서론 7
2. 이론적 배경 9
2.1 MARS 9
2.2 Simple Linear Regression 9
2.3 Distance Measure 9
2.3.1 EDR 10
2.3.2 DTW 10
2.4 클러스터링 11
2.4.1 PAM 11
2.3.2 계층적 군집화 12
2.5 Silhouette 13
3. 연구 내용 14
3.1 데이터 셋 14
3.2 데이터 전처리 14
3.3 순항 기울기 16
3.4 클러스터링 17
4. 연구 결과 18
5. 결론 21
6. 참고 문헌 22

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)