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

서지정보

· 발행기관 : 한국자료분석학회
· 수록지 정보 : Journal of The Korean Data Analysis Society / 25권 / 1호 / 63 ~ 78페이지
· 저자명 : 문성일, 고영호, 박지훈, 박헌진

초록

최근 항적 데이터를 통해 항공 사고의 전조 징후를 분석하고 이를 탐지하는 방법이 연구되고 있다. 하지만 연구 대부분은 이·착륙 단계에 국한되어 있고, 순항 단계로 특정하는 규칙이 존재하지 않기 때문에 순항 단계 탐색 연구는 드문 실정이다. 이 단계에서는 속도보다는 고도, 경로에 따른 이탈이 발생하게 되는데, 본 논문에서는 순항 단계의 고도 이탈을 클러스터링 방법으로 탐지하려고 한다. 2019년 1월부터 12월까지 수신된 ADS-B(automatic dependent surveillance- broadcast) 항적 자료에서 국내선 중 가장 많이 운행하는 제주 공항에서 김포 공항으로 운항하는 항공편의 10%를 sampling 하여 약 4,400편의 항공편을 대상으로 연구를 진행했다. MARS (multivariate adaptive regression splines) 모형과 단순 선형 회귀모형을 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 wraping)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 분류된 클러스터의 중심과 클러스터 내의 항공편 사이의 비유사도 값을 통해 이상치를 판별하였고, 약 12% 항공편이 이상치 항공편이 탐지되었다. 전조 징후 중 하나인 고도 이탈을 보다 일찍 탐지하여 항공 사고를 막을 수 있을 것으로 기대된다. 후속 연구에서는 항공 분야의 전문가의 도움으로 수집된 정상 데이터를 기반으로 이상치를 탐지하는 준-지도 학습(semi-supervised learning) 방법을 통해 이상치 탐지를 진행할 수 있다.

영어초록

Recently, methods for analyzing and detecting precursor signs of aviation accidents through navigation data have been studied. However, most of the studies are limited to the takeoff and landing stages, and there are no rules specifying the cruise stage, so the cruise stage search studies are rare. At this stage, break away according to altitude and path rather than speed occur, and in this paper, we try to detect break away in altitude of cruise stage by clustering method. In the ADS-B flight data received from January to December 2019, 10% of flights from Jeju Airport to Gimpo Airport, the most frequently operated domestic flights, were sampled and studied about 4,400 flights. Through the Multivariate Adaptive Regression Splines (MARS) model and the simple linear regression model, the slope between the trajectories was calculated to define the cruise slope, an interval that can be defined as the cruise stage. In addition, the non-similarity between flights was calculated using the distance measurements, EDR and DTW. Two cluster methods were used: PAM, Hierarchical clustering, and flights were clustered through PAM with the largest average silhouette width. An outlier was determined through a non-similar value between the center of the cluster classified through PAM and the flights within the cluster, and about 12% of flights were detected. It is expected to be able to prevent aviation accidents by detecting altitude break away, one of the premonitory signs, earlier. In subsequent studies, outlier detection can be carried out using a Semi-supervised learning method to detect outliers based on normal data collected with the help of experts in the aviation field.

참고자료

· 없음