Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-3431(Print)
ISSN : 2287-3341(Online)
Journal of the Korean Society of Marine Environment and Safety Vol.32 No.4 pp.639-649
DOI : https://doi.org/10.7837/kosomes.2026.32.4.639

Anomaly Detection in Regular Passenger Vessel Trajectories Using LSTM-Based Trajectory Prediction and Adaptive Statistical Techniques

Jin-Soo Kim*, Cho-Young Jung**, ChanSub Lee***†
*Phd Candidate, Kunsan National University / Professor, Mokpo National Maritime University, Mokpo 58628, Republic of Korea
**Professor, Kunsan National University, Gunsan 54150
***Professor, Korea Institute of Maritime and Fisheries Technology, Mokpo 58625, Republic of Korea

* First Author : jskim75@mmu.ac.kr, 061-240-7469


† Corresponding Author : chan257@seaman.or.kr, 061-241-0343
August 7, 2026 August 21, 2026 August 28, 2026

Abstract


This study proposes an anomalous trajectory detection method that accounts for operational progress rates by utilizing Automatic Identification System data from regular passenger ships. Since the normal operational characteristics of regular passenger vessels vary by voyage stage, a dynamic anomaly detection model reflecting this variation is essential. Spatial analysis employing density-based spatial clustering of applications with Noise and trajectory prediction based on long short-term memory neural networks were applied to quantify deviations in position, speed over ground, and course over ground between predicted and actual trajectories. Statistical thresholds were established for each operational progress rate to evaluate the degree of deviation. Additionally, a binary spatial map distinguishing land and maritime regions was applied to validate physical safety conditions. Results indicate that the mean positional deviation between LSTM-predicted and actual trajectories was 21.68 m, with normal variation ranges for position, speed, and course showing significant differences across operational progress rates. Verification simulations demonstrated that statistical risk levels increased proportionally with trajectory deviations while grounding risk was successfully identified when trajectories entered land areas. This dynamic anomaly detection model incorporating typical operational characteristics can effectively support decision-making in maritime traffic-management systems and enhance navigational safety.



LSTM 항적 예측과 적응형 통계 기법을 활용한 정기여객선 이상항적 탐지에 관한 연구

김진수*, 정초영**, 이찬섭***†
*국립군산대학교 박사과정 / 국립목포해양대학교 교수
**국립군산대학교 교수
***한국해양수산연수원 교수

초록


본 연구는 AIS 데이터를 활용하여 운항 진행률을 반영한 이상항적 탐지 방법을 제안한다. 정기여객선의 정상 운항 특성은 운항 단계에 따라 변하므로, 이를 고려한 동적 이상탐지가 필요하다. DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기반 공간분석과 LSTM(Long Short-Term Memory) 기반 항적 예측을 통해 실제 항적과의 위치·속력·침로 편차를 산출했으며, 진행률별 통계적 임계값을 설정하여 이탈 정도를 평가했다. 또한 육지-해양 이진지도를 적용하여 물리적 안전성을 검증했다. 결과적으로 LSTM 예측항적과 실제항적의 평균 이격거리는 21.68 m이며, 통상적인 운항에서 위치·속력·침로의 변동범위가 진행률에 따라 유의하게 다름을 확인했다. 검증 시뮬레이션에서는 운항 이탈 시 통계적 위험단계가 명확하게 증가했으며, 육지 영역 침입 시 좌초 위험을 성공적으로 탐지했다. 본 방법은 정상 운항 특성을 반영한 이상항적 탐지 모델로서 해상교통관제의 의사결정 지원에 기여할 수 있다.



    1. 서 론

    해상교통안전은 국제해사기구(International Maritime Organization, IMO)의 주요 관심 분야이며, 선박자동식별시스템(Automatic Identification System, AIS)은 선박의 위치, 속력 및 침로 등의 운항정보를 실시간으로 제공하는 주요 기술로서 선박교통관제에 활용되고 있다(Kim et al., 2026). 특히 정기여객선은 동일한 항로를 반복적으로 운항하는 특성을 가지므로 축적된 AIS 항적을 활용하여 정상적인 운항패턴을 정량적으로 모델링하고 운항패턴을 평가하는 데 유용하다(Wolsing et al., 2022).

    정기여객선의 항로는 유사한 운항패턴을 가지지만, 출발항 인근의 협수로, 중간 구간의 개활수역, 도착항 인근의 협수로 등 서로 다른 운항환경을 통과한다(Lim, 2023). 이와 같은 항로 특성으로 인해 선박의 정상적인 항적 변동성은 운항구간에 따라 다르게 나타난다. 기존 항적의 이탈 탐지에서 전체 운항구간에 동일한 임계값을 적용할 경우에는 구간별로 상이한 정상 운항 변동성을 충분히 반영하기 어렵다는 한계가 존재한다(d’Afflisio et al., 2021). 특히 정기여객선과 같이 동일 항로를 반복 운항하는 선박은 운항 진행률에 따라 항적의 위치, 속력 및 침로 특성이 변화하므로 이러한 구간별 특성을 고려한 적응형 판단기준이 필요하다.

    본 연구에서는 정기여객선의 반복 운항 AIS 데이터를 기반으로 정상 운항항적을 분석하고, LSTM(Long Short-Term Memory) 기반의 항적 예측을 통해 운항 진행에 따른 정상적인 위치, 대지속력(Speed Over Ground, SOG) 및 침로(Course Over Gound, COG)를 예측하였다. 이후 LSTM 예측값과 실제 AIS 운항정보 간의 위치 이격거리, SOG, COG 차이를 산출하고, 각 지표의 진행률별 통계적 변동성을 기반으로 적응형 임계값을 설정하여 실제 운항항적의 정상 운항패턴으로부터의 이탈 정도를 단계적으로 탐지하였다. 또한, 해안선 기반의 이진 공간지도를 활용하여 통계적 항적 이탈과 구별되는 물리적 공간 안전조건을 평가하고, 항적이 운항 가능 수역을 벗어나는 경우 좌초 위험으로 판정하였다. 이를 통해 LSTM 기반 항적 예측과 진행률 적응형 통계 기준 및 물리적 공간 안전조건을 연계하여 정기여객선 운항항적의 이상거동과 좌초 사고를 탐지하고, 해상교통관제 분야에 대한 활용 가능성을 제안하고자 한다.

    2. 선행연구 고찰

    선박 이상거동의 조기 탐지는 좌초 사고와 같은 해양사고를 예방하기 위한 중요한 요소이며, AIS 데이터를 활용한 선박 운항패턴 분석 및 이상 탐지에 관한 연구가 지속해서 수행되고 있다.

    Pallotta and Jousselme(2015)는 과거 AIS 데이터를 기반으로 TREAD/DBSCAN을 적용하여 항로 이탈 여부를 판단한 후 회랑 내 선박의 속력과 침로 이상을 순차적으로 평가하는 구조를 적용하였다. 이를 통해 미완성 항적에 대한 실시간 이상 탐지 가능성을 제시하였으나 단일 항적에 복수의 회랑이 매칭될 수 있으며 해역 특성에 따른 임계값 설정을 충분히 반영하기 어렵다는 한계가 있었다.

    Oh et al.(2018)은 비지도학습 기반의 오토인코더(autoencoder)를 이용하여 AIS 항적에서 이상 운항선박을 자동으로 식별하는 방법을 제안하였다. 이러한 접근은 사전에 이상 운항에 대한 분류정보가 충분하지 않은 대규모 AIS 데이터를 활용할 수 있다는 장점이 있으나, 지역별·선박별 통항 특성과 항로의 공간적 특성 변화를 직접적으로 반영하는 데에는 한계가 있었다.

    이러한 고정 전역 임계값의 한계를 극복하기 위해, Chae et al.(2019)은 시간별 입력 데이터 특성을 고려한 동적 임계값 조정 기법을 제안하였으며, Antunes et al.(2022)은 동적 격자 크기와 이진 탐색 기법을 결합하여 정상 항로 이탈 선박을 식별하는 체계를 구축하였다. 이들 연구는 선박 이상탐지 시 운항 패턴의 동적 변동성과 항로의 공간적 특성을 종합적으로 고려해야 할 필요성을 시사한다.

    AIS 기반 항적 예측 분야에서는 시계열 및 딥러닝 모델을 활용한 연구가 수행되고 있다.

    Liu et al.(2022)은 AIS 데이터와 LSTM 기반의 궤적 예측 모델에 충돌상황 모델을 결합하여 선박 궤적 예측 성능을 개선하였다. 이를 통해 제안된 예측모델이 선박 충돌방지, 해상 감시 및 이상거동 탐지 분야에 효과적으로 활용될 수 있음을 입증하였다.

    Lee et al.(2023)은 데이터 증강 기법과 LSTM 모델을 적용하여 미래 해상 교통 상황을 예측하는 방법론을 제안하였다. 해당 연구는 해상 상황 인식 시스템의 성능 향상과 복잡한 통항로를 운항하는 연안 선박의 안전 운항을 위한 교통 상황 인식 기술로의 확장 가능성을 제시하였다.

    Lee and Kim(2025)는 선박의 항적 예측을 위해 LSTM(Long Short-Term Memory) 기반의 인공지능 모델을 적용하고, STL과 CNN을 결합한 STL-CNN-LSTM 모델을 제안하였다. 선박 항적을 시계열 데이터로 활용하여 위치를 예측하고, 시계열 특성 분해와 공간적 특징 추출을 결합하여 항적 예측 성능을 개선하였다.

    해상교통 분석 및 이상거동 탐지 등의 정보는 해상교통 안전 확보를 담당하는 해상교통관제(Vessel Traffic Service, VTS)의 의사결정 지원에도 직접적인 도움이 된다.

    Park et al.(2019)은 관제사에게 적시의 의사결정 지원 정보를 제공하고자 해상교통량을 기반으로 집중관제구역을 도출하였다. 또한 Kim et al.(2023)은 선박교통관제 업무 분석을 통해 자율운항선박 도입에 따른 관제 영향요인을 식별하였으며, 관제사 대상 설문조사를 바탕으로 비상상황 대응 준비 태세가 주요 요인임을 제시하였다. Syue et al.(2025)은 AIS 데이터를 바탕으로 랜덤 포레스트(Random Forest) 모델을 적용해 선박의 침로와 속력을 예측하고, 이를 기반으로 VTS 관제 효율성을 높이기 위한 의사결정 지원 시스템을 제시하였다.

    선행연구들은 주로 전역 고정 임계값 적용, 항적 자체의 단일 이상 여부 판별에 집중됐으며, 해상교통관제 의사결정 지원에 있어 해상교통 정보 제공의 중요성을 확인하였다. 본 연구는 반복적인 운항패턴을 지닌 연안 정기여객선의 특성에 주목하여 구간별 운항 진행률에 따른 정상 변동성을 통계적으로 산출하고, LSTM 항적 예측 오차를 결합하여 위치·속력(SOG)·침로(COG) 이탈을 평가한다는 점에서 차별성을 가지며 이러한 정보는 해상교통관제 의사결정을 지원할 수 있다.

    구체적으로 정기여객선의 정상 운항 항적을 LSTM으로 모델링하여 예측 항적을 생성하고, 실제 운항 항적과의 위치 이격거리, SOG, COG 편차를 산출한다. 운항 진행률별 정상 변동성을 바탕으로 통계적 임계값을 설정하여 실제 항적의 이탈 정도를 정량적으로 평가한다. 또한 육지 기반의 이진 공간지도를 통합 적용하여 통계적 이탈과 독립적으로 물리적 가항수역 경계를 검증하고, 운항 가능 수역 이탈 시 좌초 위험을 즉각 판정하는 이중 안전 평가 체계를 제안한다. 이를 통해 정기여객선의 구간별 정상 변동성과 시계열 예측, 물리적 안전 조건을 종합 반영한 이상거동 탐지 방법론의 유효성을 검증하고자 한다.

    3. 연구 방법

    본 연구에서는 수집된 AIS 데이터를 활용한 LSTM 기반 항적 예측과 이상항적 탐지를 연계한 선박 위험도 평가 프레임워크를 제안한다. 전체 프레임워크는 크게 데이터 수집 및 전처리를 시작으로 대표항적 중심 데이터 정규화, LSTM 기반 항적 예측, 주요 통계적 임계값 기반 위험 평가의 단계로 구성된다.

    3.1 AIS 데이터 전처리 및 정상항적 구성

    정기여객선의 반복 운항 특성을 기반으로 이상거동을 탐지하기 위하여 AIS 데이터를 전처리하고 정상 운항항적을 구성하였다. AIS 데이터는 선박의 위치정보인 위도와 경도, SOG, COG를 이용하였으며, 비정상적인 위치정보와 중복 또는 결측 데이터는 분석에서 제외하였다. 또한 동일 항차 내의 AIS 정보를 시간 순으로 정렬하고 일정한 시계열 간격으로 구성하여 이후 LSTM 입력자료로 활용하였다.

    정상 운항항적의 공간적 분포와 항로의 중심적인 운항 특성을 확인하기 위하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 군집화 방법을 적용하였다. DBSCAN은 사전에 군집의 개수를 지정하지 않고 밀도 기반으로 공간적으로 인접한 AIS 데이터를 군집화할 수 있으므로, 반복 운항하는 정기여객선의 주요 운항영역을 파악하는 데 적합하다. DBSCAN의 군집화 결과를 이상거동의 직접적인 판정 기준으로 사용하지 않고, 정상 운항 데이터의 공간적 분포와 주요 운항구간을 확인하고 분석대상 항적을 구성하기 위한 전처리 단계로 활용하였다.

    DBSCAN을 통해 확인된 주요 운항영역을 기준으로 정상적인 반복 운항 특성을 갖는 항적을 선별하였으며, 이를 LSTM의 학습 및 정상 운항오차의 통계적 기준을 산출하기 위한 자료로 활용하였다. 따라서 이상거동의 최종적인 판정은 DBSCAN 군집화 결과가 아니라, LSTM을 통해 예측된 항적과 실제 관측항적 간의 위치, 속력 및 침로 차이를 구간별 통계 기준과 비교하여 수행하였다.

    3.2 LSTM 기반 항적 예측

    선박 항적은 시간의 흐름에 따라 위치, 속력 및 침로가 연속적으로 변화하는 시계열 특성을 갖는다. 특히 선박의 현재 운항상태는 직전의 위치와 속력, 침로뿐만 아니라 일정 시간 동안 누적된 운항상태와도 연관되어 항적을 예측하기 위해서는 시계열의 시간적 의존성을 고려할 필요가 있다(Lee and Kim, 2025).

    본 연구에서는 이러한 선박 항적의 시간적 특성을 고려하여 장·단기 시계열 의존성을 학습할 수 있는 LSTM 기반의 항적 예측모델을 적용하였다.

    LSTM은 순환신경망(Recurrent Neural Network, RNN)의 일종으로 입력 시계열에서 이전 시점의 정보를 현재 시점의 상태와 함께 전달하면서 장기간의 시간적 의존성을 학습한다(Hochreiter and Schmidhuber, 1997). 일반적인 RNN에서 발생할 수 있는 장기 의존성 학습의 어려움을 완화하기 위해 입력 게이트, 망각 게이트 및 출력 게이트를 이용하여 과거 정보의 저장과 갱신을 조절한다. 이러한 특성은 일정한 항로를 반복적으로 운항하는 선박의 과거 운항상태로부터 형성되는 항적의 진행 패턴을 학습하는 데 적합하다. Fig. 1은 LSTM의 기본적인 구조를 나타낸다.

    LSTM은 장기 의존성 문제를 개선하기 위해 별도의 셀 상태(cell state)를 도입하고, 입력 게이트(input gate), 망각 게이트(forget gate), 출력 게이트(output gate)를 이용하여 시점별 정보의 저장, 삭제 및 전달을 조절한다. LSTM의 핵심은 시간에 따라 전달되는 셀 상태와 은닉 상태를 구분하여 관리하는 데 있다. 셀 상태는 이전 시점에서 학습된 정보를 다음 시점으로 전달하는 장기적인 정보 저장 경로로 작용하며, 각 게이트는 현재 입력과 이전 은닉 상태를 바탕으로 셀 상태에 어떤 정보를 유지하거나 추가할 것인지를 결정한다. 이러한 구조를 통해 LSTM은 단순히 직전 시점의 정보만을 이용하는 것이 아니라, 이전 시점에서 축적된 정보 중 현재 예측에 필요한 정보를 선택적으로 유지하면서 장기간의 시계열 관계를 학습한다.

    망각 게이트는 이전 셀 상태 C t − 1 에서 현재 시점에 필요하지 않는 정보를 어느 정도 유지할 것인지를 결정한다. 망각 게이트의 출력은 식(1)과 같이 계산된다. 망각 게이트의 출력값은 0과 1 사이의 값을 가지므로 이전 셀 상태의 각 정보를 얼마나 유지할 것인지를 조절한다.

    f t = σ ( W f [ h t − 1 , x t ] + b f )
    (1)

    여기서, x t : 현재 시점의 입력 벡터

    h t − 1 : 이전 시점의 은닉 상태

    W f , b f : 학습 가능한 가중치와 편향

    σ : 시그모이드 활성화 함수

    입력 게이트는 현재 입력으로부터 새롭게 저장할 정보를 식(2)와 같이 결정한다. 이와 함께 현재 입력으로부터 새로운 후보 셀 상태를 식(3)과 같이 생성한다. 이후에는 이전 셀 상태에서 불필요한 정보를 제거하고 현재 시점에서 필요한 새로운 정보를 추가하여 셀 상태를 식(4)과 같이 갱신한다.

    i t = σ ( W i [ h t − 1 , x t ] + b i )
    (2)
    C ~ t = tanh ( W c [ h t − 1 , x t ] + b c )
    (3)
    C t = f t ⊙ C t − 1 + i t ⊙ C ~ t
    (4)

    망각 게이트 f t 를 통해 이전 정보의 유지 정도를 결정하고, 입력 게이트 i t 를 통해 현재 입력으로부터 생성된 새로운 정보를 셀 상태에 반영한다. 이러한 셀 상태의 갱신 과정이 반복되면서 LSTM은 시간적으로 멀리 떨어진 입력 사이의 관계를 유지한다.

    마지막으로 출력 게이트는 갱신된 셀 상태 중 현재 시점의 출력 및 다음 시점의 은닉 상태를 생성하는 데 사용할 정보를 식(5)와 같이 결정한다.

    o t = σ ( W o [ h t − 1 , x t ] + b o )
    (5)

    LSTM은 각 시점에서 입력되는 새로운 정보와 과거에 저장된 정보를 독립적으로 조절하면서 시계열의 단기적인 변화뿐만 아니라 장기간에 걸쳐 누적되는 시간적 의존성도 학습한다. 이러한 특성으로 인해 LSTM은 주가, 기상, 교통 및 선박 항적과 같이 시간의 흐름에 따라 관측값 사이에 연속적인 관계가 존재하는 다양한 시계열 예측 분야에 적용되고 있다.

    본 연구에서 LSTM의 입력은 일정한 시간 간격으로 재구성된 과거 항적의 시계열 정보로 구성하며 선박의 위치 및 운동 상태를 나타내는 위도, 경도, SOG, COG 정보를 이용한다. 일정 길이의 과거 시계열 구간을 입력 시퀀스로 구성하고, 이를 LSTM 네트워크에 입력하여 이후 시점의 선박 위치를 예측하도록 구성한다. 이때 입력 시계열은 단일 시점의 위치 정보만을 사용하는 것이 아니라, 일정 기간 동안의 연속적인 운항상태를 포함하므로 선박의 진행 방향과 속력 변화 및 항적의 연속적인 이동 특성을 함께 학습한다. 학습된 LSTM 모델은 실시간 운항 과정에서 새롭게 수신되는 AIS 데이터를 순차적으로 입력받아 이후 항적의 위치를 예측하는 데 활용된다. 예측된 위치를 시간 순서에 따라 연결하므로 현재 시점 이후의 예상 항적을 생성하며, 이를 사전에 구축된 대표항적 및 정상 운항 항적과 비교하여 선박의 예상 운항 경로가 정상적인 항적 분포로부터의 이탈 정도를 판단한다. LSTM을 단순한 위치 예측을 위한 방법이 아니라, 현재까지 관측된 운항상태를 기반으로 항적을 추정하여 항적 이탈 가능성을 사전에 판단하기 위한 예측 모듈로 활용된다.

    3.3 이상항적 탐지와 위험도 평가

    과거 항적의 정상적인 시간적 특성을 학습한 LSTM 모델을 이용하여 항적을 예측하고, 예측된 항적과 실제 운항상태 사이의 차이를 이용하여 이상항적을 탐지하도록 구성하였다. 이상항적 여부를 판단하기 위해 현재까지 관측된 운항정보를 바탕으로 예상되는 운항과 실제 선박의 운항상태가 어느 정도 차이를 보이는지를 평가한다. 이를 통해 선박의 항적 이탈이 크게 진행된 이후에 위험을 판단하는 방식에서 벗어나, 정상적인 운항패턴으로부터의 이탈이 발생하는 초기 단계에서 위험도를 평가한다. 특히, 통계적 항적 이탈과 별도로 선박의 물리적인 운항 가능 영역을 고려하기 위하여 육지 해안선에 대한 공간적 안전 조건을 추가하였다.

    3.3.1 이상항적 탐지 지표

    LSTM 모델은 일정 길이의 과거 AIS 시계열을 입력받아 이후 시점의 선박 위치를 예측하며, 예측된 위치들을 시간 순서대로 연결하여 예상항적을 생성한다. 현재 시점을 t 라 하고, LSTM을 통해 예측된 위치를 P ^ t , 동일 시점에서 실제 AIS를 통해 관측된 위치를 P t 라 하면, 두 항적 사이의 차이는 선박이 기존의 운항패턴에서 벗어나는 정도를 나타내는 지표로 활용한다. 단일 위치 오차만을 이용하여 이상 여부를 판단하지 않고, 선박의 위치와 운동 상태를 동시에 고려하기 위하여 위치 이격거리, 속력 차이 및 침로 변화량을 이상항적 탐지의 주요 지표로 선정하였다. AIS는 선박의 위치뿐만 아니라 항행 상태에 관한 정보를 제공하므로 이러한 정보를 함께 이용하는 것은 선박 운항상태를 보다 종합적으로 판단하기 위한 것이다.

    이상항적 탐지를 위해 LSTM이 예측한 위치 P ^ t 와 실제 선박 위치 P t 사이의 위치 이격거리 D t 는 식(6)과 같다.

    D t = d ( P t , P ^ t ) P t = ( ϕ t , λ t ) P ^ t = ( ϕ ^ t , λ ^ t )
    (6)

    여기서, ϕ : 선박 위치의 위도

    λ : 선박위치의 경도

    d : 두 지점 사이의 지리적 거리

    위도와 경도는 지구상의 위치를 나타내는 좌표이며, 두 위치 사이의 실제 지리적 거리를 이용하여 이격거리를 산정한다. 위치 이격거리 D t 는 선박의 실제 운항 항적이 LSTM을 통해 예측된 정상적인 항적에서 이탈된 정도를 나타내는 공간적 지표이다. 정상 운항상태에서는 실제 항적과 예측항적 사이에 일정 수준의 오차가 발생할 수 있으므로 특정 시점의 이격거리 자체만으로 이상항적을 판단하지 않고 정상 운항 데이터의 이격거리 통계적 분포를 기준으로 이상 정도를 평가한다.

    선박의 운동 상태 변화를 나타내는 것은 선박의 속력 차이이다. 속력 차이는 선박의 가속 및 감속에 따른 운항상태의 변화를 나타낸다. 위치 정보만을 이용할 경우 선박이 동일한 위치 주변에서 속력을 급격하게 변경하는 상황을 충분히 반영하기 어려울 수 있으므로, 속력 차이를 추가하여 선박의 운동 상태 변화가 이상항적 판단에 반영되도록 하였다.

    실제 침로와 기준 침로의 차이는 단순히 계산하면 0°부터 360°가 연결되는 침로의 특성으로 인해 오류가 발생한다. 따라서 두 침로 사이의 최소 각도 차이를 이용하여 침로변화량 Δ C t 를 식(7)과 같이 계산한다.

    Δ C t = min ( | C t − C ^ t | , 360 ° − | C t − C ^ t | )
    (7)

    침로 변화량은 선박이 기존 진행 방향을 얼마나 크게 변경하였는지를 나타내므로 급격한 변침이나 예상하지 못한 방향 전환을 탐지하는 데 활용된다.

    각 이상항적 탐지 지표는 정상적인 운항 과정에서도 일정한 변동성을 가지므로 절대적인 임계값만으로 이상항적을 판단할 경우에는 선박의 운항 특성과 해역별 통항 특성을 충분히 반영하기 어렵다. 이에 정상 운항 데이터에서 산출된 각 지표의 평균과 표준편차를 이용하여 2-Sigma 기반의 통계적 이상 탐지 방법을 적용하였다.

    정상 운항 데이터에서 특정 이탈 지표 X 의 평균을 μ X , 표준편차를 σ X 라고 할 때, 해당 시점의 표준화된 이탈 정도 Z X 는 식(8)과 같이 정의한다.

    Z X = | X − μ X | σ X
    (8)

    해당 시점의 표준화된 이탈 정도를 통해 각 이탈 지표를 서로 다른 단위에 관계없이 동일한 통계적 기준으로 비교한다. 위치 이격거리는 거리 단위, 속력 차이는 속력 단위, 침로 변화량은 각도 단위로 표현되지만 각각의 정상 운항 분포를 기준으로 표준화하여 개별 지표의 상대적인 이탈 정도를 평가한다.

    정상 운항상태에서 관측되는 변동을 기준으로 1 σ , 2 σ 의 단계적 범위를 설정하고 이를 위험도 평가에 활용한다. 1 σ 이내의 변동은 정상 운항 과정에서 발생할 수 있는 일반적인 변화로 간주하며,

    1 σ 를 초과하는 경우 정상 상태로부터의 이탈 가능성이 증가한 것으로 판단한다. 2 σ 를 초과하는 경우에는 운항상태의 변화가 보다 명확하게 나타난 것으로 판단한다.

    다만 본 연구에서 2-Sigma 기준은 통계적 이상 여부를 판단하기 위한 기준으로 사용되며, 2-Sigma 초과 자체를 좌초의 발생으로 해석하지 않는다. 좌초는 통계적 운항패턴의 이탈 여부와 별개로 선박이 실제 운항 가능한 해역을 이탈했는지를 판단해야 하는 물리적 안전 문제가 있다. 이에 본 연구에서는 통계적 이상도와 공간적 안전조건을 독립적으로 평가한다.

    3.3.2 육지 이진화 기반 공간 안전조건

    통계 기반 이상항적 탐지는 정상 운항 데이터에서 나타나는 선박의 시간적·운동학적 변화 특성을 기준으로 항적의 이탈 정도를 판단한다. 그러나 선박의 운항상태가 통계적으로 정상적인 범위에 포함되더라도 실제 항적 또는 예측항적이 항행 가능한 해역을 이탈하는 경우에는 별도의 공간적 안전성 판단이 필요하다. 따라서 통계 기반 이상항적 탐지와 독립적으로 연구 대상 해역의 공간정보를 이용한 육지 이진화 방법을 적용하였다.

    연구 대상 해역의 공간정보를 기반으로 육지와 해양 영역을 구분하고, 육지 영역은 1, 해양 영역은 0으로 정의하였다. 이를 통해 연구 대상 해역을 육지와 해양으로 구분된 이진 공간정보로 변환하고, 선박의 위치정보를 해당 공간정보에 대응시켜 현재 위치의 공간적 안전성을 판단하였다. 이때 이진값은 선박의 이상 정도를 나타내는 통계적 지표가 아니라, 해당 위치가 선박의 항행이 가능한 해양 영역에 포함되는지를 판단하기 위한 공간적 조건으로 활용하였다. LSTM을 이용하여 생성된 예측 위치를 동일한 이진 공간정보에 순차적으로 대응시켜 각 예측 위치의 육지 또는 해양 여부를 판정하였다. 따라서 현재 선박의 위치가 해양 영역에 존재하더라도 예측항적이 육지 영역으로 진행하는 경우에는 향후 항행경로의 공간적 안전조건이 충족되지 않는 것으로 판단하였다. 이와 같이 육지 이진화는 정상 운항항적에서의 통계적 이탈 여부와 별개로 선박의 좌초 사고 유무를 판단하는 조건으로 적용하였다. 그러나 본 연구에서의 공간적 안전조건은 통계적 이상항적 탐지 결과를 대체하는 것이 아니라, 통계적 운항패턴과 실제 항행 가능 공간 사이의 차이를 보완하기 위한 독립적인 판단조건으로 활용하였다. 이후 통계적 이상항적 탐지 결과와 공간적 안전조건을 종합하여 선박의 최종 위험도를 분류하였다.

    3.3.3 이상항적 탐지 결과 기반 위험도 분류

    산출한 위치 이격거리, 속력 차이 및 침로 변화량은 정상 운항 데이터에서 나타나는 변동성을 기준으로 표준화하고, 각 지표의 통계적 이탈 정도를 이용하여 선박의 운항상태를 분류하였다. 세 가지 지표가 서로 다른 단위를 갖는 점을 고려하여 각 지표를 표준화하였으며, 개별 지표에서 발생한 이상이 다른 정상 지표에 의해 상쇄되지 않도록 세 지표 중 가장 높은 이탈 수준을 최종 통계적 이탈도로 적용하였다.

    시점 t 에서 위치 이격거리 D t , 속력 차이 Δ V t , 침로 변화량 Δ C t 에 대한 표준화된 이탈값을 식(9)-(11)과 같이 산출한다.

    Z D , t = | D t − μ D | σ D
    (9)
    Z V , t = | Δ V t − μ V | σ V
    (10)
    Z C , t = | Δ C t − μ C | σ C
    (11)

    여기서 μ 와 σ 는 정상 운항 데이터로부터 산출된 각 지표의 평균과 표준편차이다. 절대값은 실제 운항값과 LSTM 예측값의 차이 방향에 관계없이 크기를 평가하기 위해 적용하였다. 각 지표의 통계적 이탈 수준은 정상 운항 데이터의 평균으로부터 1 σ 미만의 변동은 정상, 1 σ 이상 2 σ 미만의 변동은 주의, 2 σ 이상의 변동은 경계로 정의하였다. 본 연구에서는 세 지표의 이상 정도를 하나의 통계적 위험도로 통합하기 위해 세 지표 중 최대 표준화 이탈값을 종합 이탈도로 정의하였다. 최대값 기반 통합방식은 세 지표 중 하나의 지표에서 높은 수준의 이상이 발생하더라도 다른 지표의 정상적인 상태에 의해 그 영향이 상쇄되는 것을 방지한다. 예를 들어 위치와 속력이 정상적인 범위에 있더라도 침로 변화량이 2σ 이상으로 증가한 경우에는 해당 시점의 통계적 위험도를 경계 단계로 판정한다. 반대로 두 개 이상의 지표가 각각 1σ 이상 2σ 미만의 주의 수준을 나타내더라도 개별 지표가 2σ를 초과하지 않는 경우에는 경계 단계로 상향하지 않고 주의 단계로 분류한다. 이는 서로 다른 지표의 이탈값을 단순히 합산하거나 평균하여 위험도를 결정할 경우 특정 지표에서 발생한 중요한 이상이 정상적인 다른 지표에 의해 희석될 수 있는 문제를 방지한다. 결과적으로 최종 통계적 위험도는 개별 지표의 개수보다는 가장 높은 수준의 이탈을 나타내는 지표를 기준으로 결정된다. 또한, 통계적 이탈 정도와 별도로 육지 이진화 정보를 이용하여 공간적 안전조건을 평가한다. 이진화된 육지 영역과의 공간적 안전조건 위반 상태를 의미하며, 통계적 이탈도와 독립적으로 적용하는 물리적 공간 안전조건의 위반 상태로 판정한다. 결과적으로 이상항적 탐지와 위험도 분류 기준을 정리하면 Table 1과 같다.

    4. 시뮬레이션 결과 및 분석

    4.1 실험환경 및 데이터 구성

    본 연구에서 제안한 적응형 LSTM 항적 예측 기반 선박 이상거동 탐지의 성능을 검증하기 위해 흑산-송강 항로를 운항하는 정기여객선 1척의 실제 AIS 수집 항적 데이터를 활용하여 시뮬레이션을 수행하였다. 실험 환경은 Intel Core i7 CPU, 32GB RAM 및 NVIDIA GeForce RTX GPU 기반 시스템에서 구축되었으며, 모든 데이터 전처리, DBSCAN 공간 클러스터링, LSTM 모델 학습 및 관제 시각화 대시보드는 MATLAB R2024a 환경에서 구현되었다. 실험 데이터는 해당 흑산-송강 정기여객선 1척으로부터 수집된 연속 AIS 시계열 항적을 대상으로 하였다. 원시 AIS 데이터에 포함된 통신 오차 및 불규칙한 수신 간격을 정제하기 위해 속력 및 위치 필터링을 거친 후, 선형 보간법을 적용하여 항적 데이터셋을 Fig. 2와 같이 구축하였다.

    동일한 운항구간을 반복적으로 운항하는 여객선의 항적은 전반적으로 유사한 운항경로를 형성한다. 정상 운항항적의 공간적 분포를 확인하고 주요 운항구간의 특성을 분석하기 위하여 전처리된 AIS 위치 데이터에 구간별 DBSCAN 클러스터링을 적용하였다. Fig. 3은 대상 항로에 대한 AIS 위치 데이터와 DBSCAN 분석 결과를 나타낸다. 분석 결과, 반복 운항 과정에서 AIS 위치가 집중적으로 분포하는 주요 공간영역이 확인되었으며, 이러한 밀집영역은 해당 항로에서 선박이 반복적으로 통과하는 주요 운항구간을 나타낸다. DBSCAN을 통해 확인된 항적의 공간분포는 이후 LSTM 기반 항적 예측 및 통계적 이상항적 탐지의 기초자료로 활용하였다. 특히 항로의 진행률에 따라 정상 운항 데이터의 위치 이격거리, 속력 및 침로 변화량의 변동성이 서로 다르게 나타날 수 있다는 점을 고려하여, 이후 분석에서는 항로 진행률에 따른 통계적 기준을 산출하였다. 이를 통해 전체 항로에 단일 임계값을 적용하는 방식이 아니라 운항 위치에 따라 변화하는 정상항적의 특성을 반영한 적응형 이상항적 탐지 기준을 구축하였다.

    4.2 LSTM 기반 항적 예측

    LSTM 기반 항적 예측모델의 항적 예측 성능을 평가하기 위하여 실제 AIS 대표 항적과 LSTM이 예측한 항적을 비교하였다. Fig. 4는 대표 항적과 LSTM을 통해 생성된 예측항적을 공간적으로 비교한 결과이다. 예측항적은 현재까지 관측된 AIS 시계열을 입력으로 하여 이후의 선박 위치를 순차적으로 예측하고, 각 예측 위치를 시간 순서에 따라 연결하여 생성하였다.

    항적 예측에서 발생하는 위치 오차는 항로의 모든 구간에서 동일하게 나타나지 않았다. 초기구간을 제외한 전체 운항구간에서 실제 항적과 예측항적 사이의 평균 이격거리는 21.68 m로 나타났으며, 최대 이격거리는 Step 75에서 54.07 m로 나타났다. 이는 LSTM의 위치 예측오차가 항로 진행 위치에 따라 달라질 수 있음을 의미한다. 또한 특정 구간에서는 선박의 운항상태 변화에 따라 예측항적과 실제항적 사이의 이격이 증가하는 특성이 나타났다. 따라서 LSTM의 예측오차 자체를 위험상태로 해석하는 것이 아니라, LSTM이 생성한 예측항적과 실제 AIS 항적 사이에서 발생하는 위치 이격거리를 산출하고, 정상 운항 데이터에서 나타나는 해당 이격거리의 통계적 분포를 기준으로 실제 운항항적의 이탈 정도를 평가하였다. LSTM은 과거 운항정보를 기반으로 정상적인 운항상태를 예측하는 기준항적을 생성하며, 실제 항적과 예측항적 사이의 차이는 선박이 예상된 운항패턴으로부터 벗어나는 정도를 나타내는 지표로 활용하였다.

    4.3 이상항적 탐지 지표 분석

    LSTM은 정상 운항상태를 예측하기 위한 기준값을 제공하며, 실제 이상 여부의 판정은 각 지표의 정상적인 변동성을 반영한 통계적 기준을 통해 수행하였다. 이를 위해 정상 운항 데이터에서 진행률별 위치 이격거리, SOG 차이 및 COG 차이의 변동성을 산출하고, 표준편차를 기준으로 위험도 단계를 세 단계로 구분하였다. 이러한 진행률 적응형 임계값은 선박의 운항 전 구간에서 동일한 변동범위를 적용하는 것이 아니라, 특정 운항구간에서 관찰되는 정상적인 변동성을 기준으로 이상 여부를 판단하기 위한 것이다. Table 2는 진행률에 따른 주요 지표의 통계적 임계값을 나타낸다.

    각 지표는 정상 운항 데이터에서 산출된 평균적인 변동성을 기준으로 표준편차를 적용하여 구간을 구분하였으며, 진행률에 따라 정상적인 운항 변동 범위 자체가 달라질 수 있다는 점을 반영하였다. Fig. 5는 진행률 기반의 항적 평가를 위한 지표별 통계적 임계값을 보여준다.

    Fig. 5(a)는 진행률에 따른 실제 항적과 예측항적 간 위치 이격거리와 통계적 임계값을 나타낸다. 위치 이격거리의 1σ 기준은 진행률에 따라 약 34.02 ~ 64.71 m로 변화하여, 운항구간별 공간적 변동성이 서로 다름을 확인할 수 있다.

    Fig. 5(b)는 진행률에 따른 SOG 차이와 통계적 임계값을 나타낸다. SOG 차이의 1σ 기준은 약 0.89 ~ 1.73 kts 범위로 변화하며, 구간별 속력 변동성의 차이가 확인된다.

    Fig. 5(c)는 진행률에 따른 COG 차이와 통계적 임계값을 나타낸다. COG 차이의 1σ 기준은 약 12.69 ~ 15.95° 범위로 변화하며, 운항구간에 따라 정상적인 침로 변동성이 다르게 나타났다.

    종합하면, 위치 이격거리, SOG 차이 및 COG 차이는 각각 공간적 이탈, 속력 변화 및 침로 변화를 나타내며, 본 연구에서는 각 지표의 진행률별 통계적 변동성을 단계적으로 평가하였다.

    4.4 시뮬레이션 위험도 탐지

    이상항적 탐지 적용 가능성을 검토하기 위해 정상항적을 기준으로 인위적인 이상 운항 시나리오를 구성하고 위험도 탐지 시뮬레이션을 수행하였다. 시뮬레이션에서는 정상항적에서 SOG, 이격거리 및 COG를 변화시켜 이탈한 항적을 생성하였다. 이후 생성된 이상항적을 LSTM 예측항적과 비교하여 위치 이격거리, SOG 차이 및 COG 차이를 산출하고, 각 진행률에서의 통계적 기준과 비교하여 운항상태를 판정하였다.

    Fig. 6은 시뮬레이션에 사용한 정상항적, LSTM 예측항적 및 이상항적을 비교한 결과이다.

    정상 운항구간에서는 이상항적이 기준항적 및 예측항적과 유사한 경로를 유지하지만, 이상 속력에 대한 이상거동을 탐지하였다. 또한 이상행동이 발생한 구간에서는 항적 간 위치 이격거리가 점진적으로 증가하는 것을 탐지하였다. 이러한 시간적·공간적 이탈은 이상탐지를 위해 설정한 기준과 비교하여 이상 정도를 판단한 결과이다.

    Fig. 7은 정상항적에서 위치 이격거리, COG, SOG 차이가 발생하여 이상항적이 발생되고, 이에 따라 통계적 위험 수준도 정상에서 주의 및 경계 단계로 변화하는 경향을 보여준다. 이는 진행률에 따라 달라지는 정상 운항의 변동성을 고려하면서 실제 운항항적의 공간적·속력적·방향적 이탈을 정량적으로 탐지할 수 있음을 보여준다. 따라서 제안한 방법은 단일 고정 임계값을 적용하는 방식보다 운항구간별 정상 변동성을 반영하여 이상 운항상태를 탐지하는 데 적합한 것으로 판단된다.

    통계적 이탈 오차와 별개로 물리적 공간 안전조건을 독립적으로 평가하기 위해 연구 대상 해역의 해안선 지형 정보를 이진 공간지도로 Fig. 8과 같이 변환하였다. 이진 공간지도에서는 선박의 운항 가능 수역과 육지 영역을 구분하고, 시뮬레이션 항적의 각 위치가 물리적으로 안전한 공간에 존재하는지를 판별하도록 구성하였다.

    각 위치를 공간지도와 비교하여 수역에 위치한 경우에는 정상적인 공간조건으로 판단하고, 육지 영역에 진입한 경우에는 물리적 공간 안전조건을 위반한 좌초로 판단하였다.

    Fig. 9(a)와 같이 정상항적은 운항 전 구간에서 수역을 따라 이동하지만, 이상항적은 특정 구간에서 기준항적으로부터 측면으로 이탈하여 육지 방향으로 접근하도록 구성하였다. 이후 이탈이 지속되는 구간에서 일부 위치가 육지 영역에 진입하도록 설정하여 좌초 상황을 시뮬레이션하였다.

    Fig. 9(b)는 시뮬레이션 진행률에 따른 위험도 판정 결과를 나타낸다. 위험도는 정상, 주의, 경계, 좌초의 네 단계로 구분하였다.

    시뮬레이션 결과에서 이상항적은 초기에는 정상항적과 유사한 운항상태를 유지하였으나, 이상거동이 진행되면서 통계적 기준을 초과하여 주의 및 경계 단계로 변화하였다. 이후 항적이 물리적 안전영역을 벗어나 육지 영역에 진입한 시점에서 공간적 좌초 위험이 발생한 것으로 탐지되었다. 이는 통계적 이탈 탐지만으로는 판단하기 어려운 실제 공간적 위험을 이진 공간지도를 통해 독립적으로 탐지할 수 있음을 보여준다.

    본 연구에서는 통계적 이탈 정도와 물리적 공간 안전조건을 독립적으로 평가하여 선박의 운항 위험도를 판정하였다. 통계적 기준은 정상 운항패턴으로부터의 이탈 정도를 평가하고, 이진 공간지도는 실제 운항 가능한 수역을 벗어나는지를 판단하는 기준으로 활용하였다. 특히 항적이 육지 영역에 진입하는 경우에는 통계적 이탈 수준과 관계없이 좌초 상태로 판정하여 물리적 공간조건을 우선적으로 반영하였다. 이러한 결과를 통해 제안한 탐지 방법이 정상 운항패턴으로부터의 통계적 이탈뿐만 아니라 실제 운항공간의 물리적 안전조건까지 함께 고려할 수 있음을 검증하였다.

    5. 결 론

    본 연구에서는 동일 항로를 반복 운항하는 정기여객선의 AIS 데이터를 대상으로 운항 진행률에 따른 정상 변동성을 반영한 이상항적 탐지 방법을 제안하였다. 이를 위해 DBSCAN을 이용하여 항적의 공간적 분포를 분석하고, LSTM 기반 항적 예측과 실제 AIS 항적의 비교를 통해 위치 이격거리, SOG 차이 및 COG 차이를 산출하였다. 또한 정상 운항 데이터의 진행률별 통계적 변동성을 이용하여 이상 정도를 평가하고, 육지 이진화 공간지도를 통해 물리적 좌초 위험을 별도로 판단하였다.

    실제 AIS 데이터를 이용한 분석 결과에서 LSTM 예측항적과 실제항적 사이의 평균 위치 이격거리는 21.68 m, 최대 이격거리는 54.07 m로 나타났다. 또한 위치 이격거리, SOG 및 COG의 정상적인 변동범위가 운항 진행률에 따라 서로 다르게 나타나, 전체 항로에 동일한 임계값을 적용하기보다 구간별 정상 변동성을 고려할 필요가 있음을 확인하였다.

    이상항적 시나리오를 적용한 시뮬레이션 결과에서는 이상거동이 진행되면서 통계적 이탈 수준이 정상에서 주의 및 경계 단계로 변화하였으며, 항적이 육지 영역에 진입한 경우에는 통계적 이탈 수준과 관계없이 좌초 위험을 판정하였다. 이를 통해 통계적 항적 이탈과 물리적 공간 안전조건을 구분하여 평가하는 방법의 적용 가능성을 확인하였다.

    본 연구는 LSTM을 이상 여부를 직접 분류하는 수단이 아니라 운항항적을 예측하는 기준으로 활용하고, 실제 이상 여부는 정상 운항 데이터의 진행률별 통계적 변동성을 통해 판단하였다는 점에서 기존의 고정 임계값 기반 접근과 차별성을 갖는다. 또한 통계적 이상탐지와 공간적 좌초 위험을 별도의 조건으로 평가하여 정기여객선의 운항상태를 종합적으로 판단할 수 있는 기반을 제시하였다.

    다만 본 연구는 단일 선박과 단일 항로의 AIS 데이터를 대상으로 하였으며, 실제 사고 및 이상 운항 데이터가 아닌 인위적으로 구성한 이상항적을 이용하여 적용 가능성을 검토하였다는 한계가 있다. 향후에는 다양한 선박과 항로 및 실제 이상 운항 사례를 추가하여 탐지성능과 오경보 특성을 정량적으로 검증할 필요가 있다.

    Figure

    KOSOMES-32-4-639_F1.jpg

    Structure of LSTM.

    KOSOMES-32-4-639_F2.jpg

    Preprocessed AIS Trajectory Dataset.

    KOSOMES-32-4-639_F3.jpg

    AIS Data and DBSCAN Analysis Results.

    KOSOMES-32-4-639_F4.jpg

    Comparison of Representative and LSTM Trajectories.

    KOSOMES-32-4-639_F5.jpg

    Statistical Thresholds of Trajectory Evaluation.

    KOSOMES-32-4-639_F6.jpg

    Comparison of Trajectories Used in the Simulation.

    KOSOMES-32-4-639_F7.jpg

    Risk Evaluation of Vessel Trajectory.

    KOSOMES-32-4-639_F8.jpg

    Binary Spatial Map Representing Land Area.

    KOSOMES-32-4-639_F9.jpg

    Simulation and Risk Evaluation of Vessel Grounding.

    Table

    Statistical Trajectory Deviation and Spatial Safety Class

    Progress-Adaptive Thresholds for Statistical Deviations

    Reference

    1. Antunes, N., J. C.Ferreira, J.Pereira, and J.Rosa ( 2022), Grid-Based Vessel Deviation from Route Identification with Unsupervised Learning, Applied Sciences, Vol. 12, No. 21, 11112.
    2. Chae, Y., N.Katenka, and L.DiPippo ( 2019), An Adaptive Threshold Method for Anomaly-Based Intrusion Detection Systems, In 2019 IEEE 18th International Symposium on Network Computing and Applications, pp. 1-4.
    3. D’Afflisio, E., P.Braca, and P.Willett ( 2021), Malicious AIS Spoofing and Abnormal Stealth Deviations: A Comprehensive Statistical Framework for Maritime Anomaly Detection, In IEEE Transactions on Aerospace and Electronic Systems, Vol. 57, No. 4, pp. 2093-2108.
    4. Hochreiter, S. and J.Schmidhuber ( 1997), Long Short-Term Memory, Neural Computation, Vol. 9, No. 8, pp. 1735-1780.
    5. Kim, D. H., H. J.Kim, J.Park, K. B.Choo, and M.Kang ( 2026), Modeling Port Entry Probability Using Directional and Spatial Information from AIS Data: A Case Study of Ulsan Port, Journal of Navigation and Port Research, Vol. 50, No. 1, pp. 35-42.
    6. Kim, D. W., M. K.Lee, S. W.Park, and Y. S.Park ( 2023), Study on Changes in Vessel Traffic Services Due to Introduction of Maritime Autonomous Surface Ships, Journal of Navigation and Port Research, Vol. 47, No. 6, pp. 430-436.
    7. Lee, C. S. and D. B.Kim ( 2025), A Study on the Prediction and Analysis of Nighttime Spatiotemporal Density of Small Boats, Journal of the Korean Society of Marine Environment and Safety, Vol. 31, No. 4, pp. 434-443.
    8. Lee, E. K., J.Khan, W. J.Son, and K. S.Kim ( 2023), An Efficient Feature Augmentation and LSTM-Based Method to Predict Maritime Traffic Conditions, Applied Sciences, Vol. 13, No. 4, 2556.
    9. Lim, S. W. ( 2023), A Study on the Application Scope of Special Navigation at the Narrow Waterway –Focused on the Interpretation of Korean Maritime Safety Tribunal Case–, Maritime Law Review, Vol. 35, No. 2, pp. 1-26.
    10. Liu, R. W., M.Liang, J.Nie, W. Y. B.Lim, Y.Zhang, and M.Guizani ( 2022), Deep Learning-Powered Vessel Trajectory Prediction for Improving Smart Traffic Services in Maritime Internet of Things, IEEE Transactions on Network Science and Engineering, Vol. 9, No. 5, pp. 3080-3094.
    11. Oh, J. Y., H. J.Kim, and S. K.Park ( 2018), Detection of Ship Movement Anomaly using AIS Data: A Study, Journal of Navigation and Port Research, Vol. 42, No. 4, pp. 277-282.
    12. Pallotta, G. and A. L.Jousselme ( 2015), Data-Driven Detection and Context-Based Classification of Maritime Anomalies, In 2015 IEEE 18th International Conference on Information Fusion, pp. 1152-1159.
    13. Park, S. W., Y. S.Park, and S. J.Na ( 2019), A Basic Study on the Intensively Controlled Area based on Marine Traffic Volume, Korean Association of Maritime Police Science, Vol. 9, No. 2, pp. 145-170.
    14. Syue, S. H., M. C.Tsou, and T. H.Chen ( 2025), From VTS Monitoring to Smart Warnings: Big Data Applications in Channel Safety Management, Journal of Marine Science and Engineering, Vol. 13, No. 12, 2324.
    15. Wolsing, K., L.Roepert, J.Bauer, and K.Wehrle ( 2022), Anomaly Detection in Maritime AIS Tracks: A Review of Recent Approaches, Journal of Marine Science and Engineering, Vol. 10, No. 1, 112.