Graph machine learning for flight delay prediction due to holding manouver

이 논문은 항공기 대기 기동으로 인한 지연을 예측하기 위해 그래프 머신러닝을 적용한 연구로, 복잡한 항공 교통 네트워크의 공간적·시간적 관계를 그래프 특성으로 추출하여 CatBoost 모델을 GAT 보다 우수한 성능과 해석 가능성으로 입증하고, 이를 실시간 예측 웹 도구를 통해 운영 효율성 및 연료 절감에 기여할 수 있음을 제시합니다.

핵심

🛫 핵심 주제: 하늘의 '교통 체증'을 미리 알아채기

비행기가 공항에 착륙하려고 해도, 하늘이 너무 붐비거나 날씨가 나쁘면 어쩔 수 없이 하늘에서 원형으로 맴돌며 대기해야 합니다. 이를 '홀딩 (Holding)'이라고 하는데, 연료 낭비와 지체, 승객의 불만을 초래하는 골칫거리입니다.

연구진은 **"어떤 비행기가 대기하게 될지 미리 예측하면, 연료도 아끼고 지연도 줄일 수 있지 않을까?"**라고 생각했습니다.

🕸️ 두 가지 접근법: "지도 그리기" vs "네트워크 연결"

연구진은 이 문제를 해결하기 위해 두 가지 다른 방법을 시도했습니다.

1. 방법 A: 카트부스트 (CatBoost) + "지도의 특징"

이 방법은 비행기 데이터를 표 (Table) 형태로 보되, 여기에 **'공항 간의 관계'**를 숫자로 바꿔서 추가했습니다.

• 비유: 마치 지도 앱을 켜고 "이 도로는 얼마나 붐비나?", "이 교차로가 얼마나 중요한지"를 미리 계산해서 입력하는 것과 같습니다.
• 어떻게 했나요?
  • 공항을 '점 (Node)', 비행 경로를 '선 (Edge)'으로 그렸습니다.
  • "어떤 공항이 다른 공항들을 연결하는 핵심 허브인가?", "어떤 경로는 대체 경로로 쓸 수 있는가?" 같은 **중심성 (Centrality)**과 연결성을 계산해서 숫자 데이터로 만들었습니다.
  • 이 숫자들을 CatBoost라는 강력한 예측 모델에 넣었습니다.
• 결과: 이 방법이 가장 잘 작동했습니다. 특히 대기하는 비행기는 전체 중 소수 (불균형 데이터) 인데, 이 모델이 그 드문 경우를 잘 찾아냈습니다.

2. 방법 B: 그래프 어텐션 네트워크 (GAT) + "직접 학습"

이 방법은 데이터를 표로 바꾸지 않고, 비행기들이 서로 어떻게 연결되어 있는지 그 자체를 학습하도록 했습니다.

• 비유: 학생이 지도 없이 친구들 사이에서 "누가 누구랑 잘 지내는지, 누가 중심 인물인지"를 직접 관찰하며 배우는 것과 같습니다.
• 어떻게 했나요?
  • 공항과 비행기 경로를 그대로 **그래프 (네트워크)**로 만들었습니다.
  • **GAT(Graph Attention Network)**라는 AI 가 "어떤 공항이 중요한지", "어떤 비행 경로가 혼잡한지"를 스스로 찾아내게 했습니다.
• 결과: 이론적으로는 매우 강력해 보였지만, 실제로는 **데이터가 불균형한 상황 (대기하는 비행기가 적음)**에서 **과적합 (Overfitting)**이 발생했습니다. 즉, 너무 많은 것을 기억하려다 오히려 중요한 신호를 놓치는 문제가 생겼습니다.

🏆 최종 승자: 왜 CatBoost 가 이겼을까?

결론적으로, **CatBoost(방법 A)**가 이 연구에서 더 좋은 성과를 냈습니다.

• 이유: 대기하는 비행기는 드문 사건입니다. 복잡한 AI(GAT) 가 모든 연결 관계를 다 학습하려다 보니, 드문 사건을 제대로 파악하지 못했습니다. 반면, CatBoost 는 연구진이 미리 계산해 둔 "공항의 중요도" 같은 명확한 특징 (Feature) 을 잘 활용해서, 드문 사건도 정확하게 찾아냈습니다.
• 장점: CatBoost 는 "왜 이 비행기가 대기할 것이라고 예측했는지" 그 이유를 설명해 줄 수도 있습니다 (해석 가능성). 예를 들어, "A 공항이 너무 붐비고, B 공항으로 가는 길이 막혀서"라고 설명해 줍니다.

🌐 실생활 적용: "Airdelay"라는 웹 도구

연구진은 이 모델을 실제 사용할 수 있도록 웹 기반 시뮬레이션 도구를 만들었습니다.

• 사용자가 지도에서 공항을 선택하고 상황을 설정하면, **"이 비행기는 30 분 정도 대기할 확률이 높다"**고 실시간으로 알려줍니다.
• 이는 항공사나 관제탑이 미리 대비하여 연료를 아끼고 승객을 편안하게 하는 데 도움을 줄 수 있습니다.

💡 요약 및 교훈

이 논문은 **"복잡한 AI(GNN) 가 항상 정답은 아니다"**라는 중요한 교훈을 줍니다.

• 데이터의 특성이 불균형하고, 관계의 구조가 명확하다면, 전통적인 머신러닝에 '그래프의 특징'을 잘 섞어주는 것이 더 효과적일 수 있습니다.
• 마치 **정교한 로봇 (GAT)**보다 **경험 많은 안내자 (CatBoost + 그래프 특징)**가 혼잡한 공항에서 더 정확한 길을 알려줄 수 있는 것과 같습니다.

이 연구는 항공 산업이 데이터를 더 똑똑하게 활용하여 연료를 아끼고, 지연을 줄이며, 승객의 미소를 되찾을 수 있는 새로운 길을 제시합니다.

기술 요약

논문 개요: 항공기 대기 (Holding) 로 인한 지연 예측을 위한 그래프 머신러닝

이 연구는 항공 교통 관리에서 중요한 문제인 대기 (Holding) 기동으로 인한 항공기 지연을 예측하기 위해 그래프 머신러닝 (Graph ML) 기술을 적용한 사례입니다. 저자들은 항공 교통 데이터를 단순한 표 (Tabular) 형식이 아닌 방향성 다중 그래프 (Directed Multigraph) 로 모델링하여, 공항 간의 복잡한 상호의존성을 포착하고 지연 발생 여부를 예측하는 두 가지 접근법 (CatBoost 와 Graph Attention Network) 을 비교 분석했습니다.

---

1. 문제 정의 (Problem Statement)

• 배경: 대기 기동은 항공기들이 착륙을 위해 지정된 공역에서 원을 그리며 대기하는 것으로, 공항 혼잡, 악천후, 관제 제한 등으로 발생합니다. 이는 안전을 위해 필수적이지만, 연료 소모 증가, 배출가스 증가, 승객 불만 등 운영 효율성을 저해하는 주요 원인입니다.
• 기존 연구의 한계: 전통적인 머신러닝 모델은 주로 표 형식 데이터를 사용하여 지연을 예측했으나, 공항 간의 공간적 - 시간적 (Spatial-temporal) 관계와 복잡한 네트워크 상호작용을 충분히 반영하지 못했습니다. 또한, 대기 기동 자체를 대상으로 한 머신러닝 및 네트워크 기반 연구는 부족했습니다.
• 목표: 그래프 구조 데이터를 활용하여 대기 기동 발생 (이진 분류) 및 지연 시간 (회귀) 을 정확하게 예측하고, 이를 통해 운영 효율성을 높이는 것입니다.

---

2. 방법론 (Methodology)

연구진은 두 가지 주요 모델을 비교 평가했습니다.

가. 데이터 및 그래프 모델링

• 데이터셋: ICEA(브라질 항공우주기술연구소) 에서 제공된 42,336 개의 관측 데이터를 사용했습니다.
  • 특성: 기상 (METAR/METAF), 지리 (거리, 좌표, 고도), 비행 운영 (시간, 활주로 변경 이력) 데이터 포함.
  • 불균형 문제: 대기 지연이 없는 비행 (41,616 건) 에 비해 대기 지연이 있는 비행 (720 건) 이 극도로 적어 (약 1.7%), 심각한 클래스 불균형 (Class Imbalance) 문제가 존재합니다.
• 그래프 구성:
  • 노드 (Node): 브라질 내 주요 공항 (SP, MG, RJ 등) 을 나타냅니다.
  • 에지 (Edge): 공항 간의 항공편을 나타내며, 방향성 (Directed) 과 가중치 (Weighted) 를 가집니다.
  • 다중 그래프 (Multigraph) 처리: 동일한 공항 쌍 간의 여러 항공편을 하나의 가중치 있는 에지로 집계하여 계산 효율성을 높였습니다.

나. 모델 1: 그래프 기반 특징을 활용한 CatBoost

• 접근 방식: 그래프 구조에서 추출한 통계적 특징 (Graph-derived features) 을 생성하여 전통적인 그래디언트 부스팅 모델인 CatBoost 에 입력합니다.
• 추출된 그래프 특징:
  • Betweenness Centrality: 공항이 네트워크 내 경로에서 얼마나 중요한지.
  • Flow Betweenness: 연결의 흐름 동역학 (전류 회로 이론 기반).
  • Edge Connectivity: 공항 간 연결의 견고성.
  • Degree Difference: 진입 (In-degree) 과 진출 (Out-degree) 의 차이.
  • Google Matrix: PageRank 기반의 확률적 전이 행렬.
• 장점: 클래스 불균형 처리에 강하며, 특징 중요도 (Feature Importance) 를 통해 모델의 의사결정 과정을 해석 (Explainable AI) 할 수 있습니다.

다. 모델 2: 그래프 어텐션 네트워크 (GAT)

• 접근 방식: 그래프 구조와 노드/에지 특징을 직접 학습하는 딥러닝 모델입니다.
• 적응: 대기 기동은 '에지 (Edge)'의 속성이므로, 기존 노드 중심 GNN 과 달리 에지 특징 예측 (Edge Feature Prediction) 으로 문제를 재정의했습니다.
  • 어텐션 메커니즘을 확장하여 노드 특징 ($h_i, h_j$) 과 에지 특징 ($e_{ij}$) 을 결합: $\alpha_{ij} = \sigma(a^T [Wh_i || Wh_j || W_2 e_{ij}])$.
  • 방향성 다중 그래프 구조를 직접 처리할 수 있도록 설계.
• 목표: 데이터에서 직접 관계 패턴을 학습하여 지연을 예측.

---

3. 주요 결과 (Results)

가. 성능 비교 (분류 작업)

• CatBoost:
  • 정확도 (Accuracy): 0.90
  • 정밀도 (Precision): 0.09 (낮음, 하지만 불균형 데이터에서 최선)
  • 재현율 (Recall): 0.58
  • F1-Score: 0.16
  • 특징: 불균형 데이터셋에서 가장 균형 잡힌 성능을 보이며, 지연과 비지연 비행 모두를 효과적으로 식별했습니다.
• GAT:
  • 단층 (1 Layer): 정확도 0.95 이지만 정밀도 (0.03) 와 F1-Score(0.04) 가 매우 낮아 과적합 (Overfitting) 및 소수 클래스 예측 실패.
  • 심층 (3~30 Layers): 층이 깊어질수록 성능이 급격히 저하되거나 불안정해졌습니다 (예: 30 Layer 에서 정확도 0.02, 재현율 0.99).
  • 원인: 소수 클래스 (대기 지연) 를 학습하는 데 어려움을 겪고, 깊은 구조에서 과적합이 발생했습니다.

나. 회귀 분석 및 해석 가능성

• 회귀 (지연 시간 예측): CatBoost 는 예측된 지연 시간 분포가 실제 분포와 잘 일치하여 트렌드를 효과적으로 포착했습니다.
• 해석 가능성 (Interpretability): CatBoost 는 그래프 기반 특징 (예: Betweenness, Google Matrix) 이 예측에 중요한 역할을 함을 보여주어, 운영자가 지연 원인을 이해하는 데 도움을 주었습니다.

다. 배포 도구

• Airdelay: CatBoost 모델을 기반으로 한 웹 기반 시뮬레이션 도구 (Streamlit, Folium 사용) 를 개발하여 실시간 지연 예측 및 시나리오 분석을 가능하게 했습니다.

---

4. 주요 기여 (Key Contributions)

1. 최초의 적용: 대기 기동으로 인한 지연 예측 문제에 그래프 머신러닝 접근법을 처음 적용했습니다.
2. 그래프 기반 특징 공학: 항공 교통 네트워크를 방향성 가중 그래프로 모델링하고, 이를 전통적인 ML 모델 (CatBoost) 에 효과적으로 통합하는 방법을 제시했습니다.
3. 모델 비교 분석: 복잡한 그래프 신경망 (GAT) 과 그래프 특징을 활용한 부스팅 모델 (CatBoost) 을 비교하여, 불균형 데이터셋에서는 고도의 딥러닝 모델보다 잘 정제된 특징을 가진 전통적 모델이 더 우월할 수 있음을 입증했습니다.
4. 실용적 도구 개발: 연구 결과를 실제 운영 환경에 적용할 수 있는 웹 기반 시뮬레이션 도구를 공개했습니다.

---

5. 의의 및 결론 (Significance & Conclusion)

• 운영 효율성 향상: 정확한 대기 지연 예측을 통해 연료 절감, 배출가스 감소, 승객 만족도 향상에 기여할 수 있습니다.
• 방법론적 통찰: 항공 교통과 같은 복잡한 네트워크 시스템에서는 무조건적인 딥러닝 모델 도입보다는 도메인 지식 (그래프 이론) 을 활용한 특징 공학이 불균형 데이터에서 더 강력한 성능을 발휘할 수 있음을 보여줍니다.
• 향후 과제:
  • 클래스 불균형 해결을 위한 GraphSMOTE 등의 오버샘플링 기법 도입.
  • 에지 중심의 위상적 학습 (Topological Learning) 및 하이브리드 모델 (GNN + Gradient Boosting) 연구.
  • 실시간 데이터 통합을 통한 예측 정확도 고도화.

이 연구는 항공 교통 관리 분야에서 그래프 기반 분석의 잠재력을 입증하며, 데이터 기반 의사결정을 통한 지연 완화 전략의 새로운 방향성을 제시했습니다.