인천항 해상교통 항적의 K-means 군집화를 통한 위험도 분석에 관한 연구

Abstract

해운 물동량이 증가함에 따라 항만 입출항 항로 부근의 선박 통항량 또한 증가하고 있어 해양 사고의 개연성 또한 따라 높아졌다. 이에 항해 안전의 확보를 위해 관련 기술을 개발하고 연구를 진행하고 있지만 해상교통사고는 오히려 조금씩 증가하는 추세이다. 더욱이 현재 대부분의 해상교통사고의 원인은 항해사의 인적 요인에 의한 것으로만 치부되고 있으며 항로 안전성 평가는 항로 환경의 하드웨어 적인 분석이 주를 이루고 있다. 이를 개선하고 항해 위험요인을 미리 발견하여 해상교통사고를 예방하기 위해서는 항로의 상황을 보다 면밀하게 분석하여 개선하는 시스템 적인 접근이 필요하다. 이를 위해 본 연구에서는 머신러닝 군집 알고리즘 활용하여 안전하게 입항을 완료한 선박의 선박자동식별시스템(AIS) 항적 데이터를 분석하였다. 대한민국의 수도권 관문 항만인 인천항의 제1항로를 연구 범위로 설정하였고 AIS 데이터 수집장치를 설치한 후 1년간의 인천항 AIS 데이터를 수집하였다. 연구 대상선박에는 200미터 이상의 상선으로 설정하였으며 이중에 제1항로를 이용하지 않는 여객선은 제외하였다. 수집된 AIS데이터는 지리정보시스템(GIS)와 Python 환경에 맞춰 전처리 하였으며 K-means 군집 알고리즘을 활용하여 클러스터링 하였다. 인천항 입항 선박의 AIS 데이터는 군집 알고리즘 K-means 7개의 클러스터로 군집하였을 때 가장 적절하다는 것을 실루엣 점수와 인천항 항로 환경과 비교하여 검증하였다. 이렇게 도출한 각 군집별 위험도(Risk)를 정량화 하여 평가하기 위해 위험요소별 위험 수준을분석하고 전문가 집단 설문을 통하여 가중치를 선정하였다. 가중치는 설문조사 결과에 AHP기법을 이용하여 쌍대비교하여 도출하였으며, 일관성 비율 검증을 통해 신뢰성을 확보하였다. 최종적으로 결과를 합하여 군집별 위험도를 정량화 하였다. 분석 결과 Cluster 2의 ‘변침점 단계’에서 위험도가 가장 높게 도출되었으며 특히 교통 밀집도, 속력의 편차, 침로의 편차 순으로 위험도가 높은 것으로 판단되었다. 다음으로는 Cluster 6 ‘내항 분기 단계’의 위험도가 높게 도출되었는데 교통의 밀집도, 속력의 편차, 과거 해상교통사고의 밀집도 순으로 위험도가 높은 것으로 판단되었다. 다음으로 Cluster 5-3-1-4 순으로 위험도가 높게 도출되었고 Cluster 7 북항 입항은 위험도가 가장 낮은 것으로 판단되었다. 이상 본 연구의 의의는 항해사의 경험과 주요 시설물을 기준으로 구분하던 항해 구역을 선박의 AIS항적 데이터를 기반으로 하여 머신러닝을 통하여 고 항로에 존재할 수 있는 위험성을 세분하여 군집별로 분석하였다는 것에 있다. 또한 군집별 위험도와 위험요인을 정량화 하였고 클러스터 별 위험도 차이와 위험 요인을 도출하였다. 이를 통해 항로 전체를 세분하여 위험 항목을 미리 파악할 수 있다면 이상 항해 선박의 식별 시스템의 개발 및 이 정보를 활용한 해상교통 네트워크 개발에도 적용할 수 있을 것으로 기대된다. 또한 집중 관제 구역을 설정하고 구역별 집중 관리해야 할 위험 요인을 설정하여 항해 안전을 위한 대책을 수립할 수 있을 것으로 판단된다. 향후 연구에서는 자료수집 기간을 늘려서 충분한 표본 수를 확보하여 본 연구의 결과와 비교하고자 한다. 더 나아가 위험요소의 다양한 요소를 추가하여 자연환경(조류, 바람, 시정 등)과 통항로환경(항로폭, 수심, 장애물 등)에 대한 정보를 함께 분석한다면 과거의 항적 데이터를 통해 위험도를 보다 정확하게 예측할 수 있게 되어 해상교통안전도 향상에 기여할 수 있을 것으로 기대된다.