기존의 비행기 지연 예측 시스템들은 마치 오직 '숫자 표'만 보고 미래를 점치는 점술사와 같았습니다.
기존 방식: "오늘 날씨가 비가 5mm 내리고, 항공사는 A 사고, 비행기는 B 기종이니까 지연은 15 분일 것이다"라고 정해진 규칙과 숫자만으로 계산했습니다. 하지만 실제 하늘은 훨씬 복잡합니다.
LLM4Delay는 이 방식을 완전히 바꿉니다. 이 시스템은 **지식豊富な '베테랑 관제사'**처럼 행동합니다.
새로운 방식: "날씨 보고서 (METAR), 비행 계획서, 그리고 **지금 하늘에 떠 있는 다른 비행기들의 움직임 (궤적)**까지 모두 눈으로 확인하고, 그 모든 정보를 머릿속에서 종합해서 "아, 지금 하늘이 막혀서 20 분 정도 더 걸리겠구나"라고 상황을 이해하고 예측합니다.
🚀 이 시스템의 3 가지 핵심 비밀 (창의적인 비유)
1. "단순한 숫자가 아니라, '이야기'로 읽는다" (텍스트와 데이터의 융합)
기존 AI 는 비행기 궤적 (시간에 따른 위치 데이터) 을 숫자 나열로만 보았습니다. 하지만 LLM4Delay는 이 숫자들을 **인간이 읽는 '이야기 (텍스트)'**로 변환합니다.
비유: 마치 수학 문제를 풀 때, 문제지 (날씨, 비행기 정보) 를 읽고 해설 (비행기 궤적) 을 함께 읽는 것과 같습니다.
텍스트 정보: "오늘 비가 오고 (METAR), 공항 입구에 공사 중이라는 안내 (NOTAM) 가 있다."
궤적 정보: "주변에 다른 비행기들이 줄지어 서서 기다리고 있다."
이 두 가지를 합쳐서 "아, 비 때문에 착륙이 늦어지고, 주변 비행기들도 많으니 우리 비행기도 더 기다려야겠다"라고 맥락을 이해합니다.
2. "혼자 있는 게 아니라, '군중'을 본다" (다중 궤적 분석)
기존 시스템은 우리 비행기 한 대의 움직임만 보았습니다. 하지만 하늘은 혼자 움직이는 곳이 아닙니다.
비유:고속도로의 교통 체증을 생각해보세요.
기존: "내 차가 지금 시속 60km 로 가고 있으니 10 분 뒤에 도착한다." (주변 차를 모름)
LLM4Delay: "내 차뿐만 아니라, 앞차, 옆차, 그리고 저 멀리서 다가오는 차들까지 다 보고 "아, 저기서 사고가 났나? 아니면 교통량이 많아서 다들 멈춰 서 있네? 그래서 우리도 20 분 더 걸리겠구나."라고 **주변 상황 (혼잡도)**을 파악합니다.
이 시스템은 목표 비행기뿐만 아니라, 그때 그 하늘에 있는 모든 비행기들의 움직임을 함께 분석합니다.
3. "유능한 조교와 지혜로운 교수" (크로스-모달 적응)
이 시스템은 두 명의 AI 가 협력합니다.
조교 (Trajectory Encoder): 비행기 궤적 (숫자 데이터) 을 잘 이해하는 전문가입니다. "이 궤적 모양은 착륙 직전인데, 주변에 차가 많아서 속도가 느려지는 패턴이야"라고 해석합니다.
교수 (Large Language Model, LLM): 언어와 문맥을 잘 이해하는 지혜로운 분입니다. 조교가 해석한 궤적 정보를 "이야기"로 받아서, 날씨 보고서나 비행 계획서 같은 텍스트 정보와 연결합니다.
핵심 기술: 이 두 분을 연결하는 **매개체 (Instance-level Projection)**가 있습니다. 궤적이라는 '숫자 언어'를 교수님이 이해할 수 있는 '텍스트 언어'로 자연스럽게 번역해 주는 역할입니다.
📊 왜 이 시스템이 더 잘할까요?
유연함: 날씨 예보 (TAF) 나 공항 공사 안내 (NOTAM) 같은 텍스트 정보를 유연하게 받아들입니다. 기존 시스템은 이런 복잡한 텍스트를 숫자로 바꾸기 위해 애를 썼지만, 이 시스템은 텍스트를 그대로 읽습니다.
실시간 업데이트: 비행기가 공항에 들어서는 순간부터, 새로운 정보가 들어올 때마다 지속적으로 예측을 수정합니다. "아까는 10 분 지연이었는데, 지금 주변 비행기들이 줄어든 걸 보니 5 분으로 줄었네!"라고 실시간으로 알려줍니다.
정확도: 실험 결과, 기존 방식들보다 지연 시간을 훨씬 정확하게 예측했습니다. (오차 범위를 크게 줄임)
💡 결론: 이 기술이 우리에게 주는 의미
이 기술은 단순히 "비행기가 몇 분 늦을지"를 알려주는 것을 넘어, 공항 관제사 (ATC) 와 지상 서비스 팀에게 큰 도움을 줍니다.
관제사: 하늘의 혼잡 상황을 AI 가 미리 알려주면, 더 효율적으로 비행기를 안내할 수 있습니다.
지상 서비스: "이 비행기는 15 분 뒤에 도착할 것"이라는 정확한 예측을 받으면, 승객을 태울 버스, 짐을 싣는 컨베이어, 조종사를 대기시키는 서비스를 미리 준비할 수 있습니다.
결국 이 시스템은 비행기의 지연을 줄이고, 공항의 모든 과정을 더 매끄럽게 만들어주는 '지능형 공항 코디네이터' 역할을 하는 것입니다.
1. 문제 정의 (Problem Definition)
배경: 항공 교통량 증가로 인해 항공 교통 관리 (ATM) 시스템의 용량 초과가 발생하여 안전과 운영 효율성이 위협받고 있습니다.
초점: 기존 연구들은 주로 이륙 전 (게이트, 택시 아웃, 항로) 지연에 집중하거나, 고정된 크기의 표 형식 데이터 (Tabular data) 와 단일 항공기 궤적만을 사용했습니다.
한계:
METAR, TAF, NOTAM 등 비정형적인 항공 텍스트 데이터를 정형화하기 위해 수동 파서가 필요하며, 이는 유연성이 떨어집니다.
단일 항공기 궤적만으로는 공역의 혼잡도나 다른 항공기들의 상호작용을 반영하기 어렵습니다.
기존 시계열 - 언어 적응 (Time-series-to-language adaptation) 기법들은 대부분 단일 시계열 예측에 최적화되어 있어, 다중 궤적 간의 인스턴스 수준 (Instance-level) 의미론을 포착하는 데 한계가 있습니다.
목표: 목적지 공항의 관제사 (ATC) 관점에서, 항공기가 터미널 조종 구역 (TMA) 에 진입한 후부터 착륙 및 도착까지 (Post-terminal phase) 발생하는 지연을 예측하는 것입니다. 이는 실시간으로 업데이트되는 텍스트 정보 (날씨, 운항 공지) 와 다중 항공기 궤적 데이터를 통합하여 수행됩니다.
2. 제안 방법론: LLM4Delay (Methodology)
LLM4Delay 는 대규모 언어 모델 (LLM) 과 사전 훈련된 궤적 인코더를 결합한 멀티모달 프레임워크입니다.
가. 데이터 구성 (Multimodal Input)
입력 데이터는 다음과 같은 텍스트와 시계열 궤적 정보를 포함하는 시나리오 si,t로 구성됩니다.
텍스트 프롬프트:
항공기 정보 (Flight Info): 항공사, 노선, 기종, 이륙지 등.
기상 정보 (METAR/TAF): 실시간 관측 및 예보 데이터.
운항 공지 (NOTAM): 임시 운항 제한 및 공지 사항.
궤적 데이터 (Trajectory Data):
집중 궤적 (Focusing): 예측 대상 항공기의 TMA 진입 후 현재까지의 궤적.
활성 궤적 (Active): TMA 내 다른 항공기들의 현재 궤적 (공역 혼잡도 반영).
이전 궤적 (Prior): 과거 완료된 항공기들의 궤적 (역사적 패턴 및 지상 교통 흐름 반영).
나. 핵심 기술: 인스턴스 수준 투영 (Instance-Level Projection)
기존의 시계열 - 언어 적응 기법 (토큰화, 패치 재프로그래밍 등) 은 시계열을 하위 단위로 쪼개어 언어 모델에 입력하지만, 본 논문은 **인스턴스 수준 (Instance-level)**에서 적응합니다.
사전 훈련된 궤적 인코더 (fenc): 항공기 궤적 데이터 (ATFMTraj 데이터셋 등) 를 학습하여 각 궤적의 의미론적 특징 (Maneuvering procedures 등) 을 320 차원의 임베딩으로 추출합니다. (TCN-AE, TS2Vec 등 사용 가능)
크로스-모달리티 어댑터 (fxa): 추출된 궤적 임베딩을 LLM 의 임베딩 공간으로 투영하는 경량 MLP 를 사용합니다.
통합 및 예측: 텍스트 프롬프트 임베딩과 투영된 궤적 임베딩을 LLM 백본에 입력하고, LLM 의 마지막 은닉 상태를 통해 회귀 헤드를 거쳐 지연 시간 (Δtpost) 을 예측합니다.
학습 전략: LLM 백본과 궤적 인코더는 고정 (Frozen) 하고, 어댑터와 회귀 헤드만 학습하여 계산 효율성을 높입니다.
3. 주요 기여 (Key Contributions)
LLM4Delay 프레임워크: 항공 텍스트 (METAR, NOTAM 등) 와 다중 항공기 궤적 데이터를 통합하여 TMA 진입 후 지연을 예측하는 최초의 멀티모달 프레임워크 제안.
인스턴스 수준 투영 (Instance-Level Projection): 다중 궤적의 인스턴스 수준 의미론을 언어 모달리티에 매핑하는 새로운 적응 기법 제안. 이는 기존 시계열 - 언어 적응 방법들보다 공역 상태와 조종 절차를 더 잘 포착합니다.
공개 데이터셋 및 검증: 인천국제공항의 2022 년 전체 데이터를 기반으로 한 멀티모달 지연 예측 데이터셋을 구축하고 공개했습니다.
4. 실험 결과 (Results)
성능 비교: 기존 표 기반 모델 (XGBoost, Random Forest 등) 과 단일 궤적 기반 모델 (LSTM, Transformer 등) 보다 LLM4Delay 가 모든 평가 지표 (MAE, MSE, SMAPE, R2) 에서 우수한 성능을 보였습니다.
평균 MAE: 약 1.12 분 (기존 최상위 모델 대비 약 20% 이상 개선).
R2: 0.86 이상으로 높은 설명력을 보임.
적응 기법 비교: 제안한 '인스턴스 수준 투영'이 '토큰화', '패치 재프로그래밍', '세그먼트 임베딩' 등 기존 기법들보다 월등히 좋은 성능을 입증했습니다.
Ablation Study:
궤적 인코더: TS2Vec 기반 인코더가 가장 우수한 성능을 보였습니다.
LLM 백본: Pythia-1B 가 LLaMA, Qwen 등 다른 10 억 파라미터 이하 모델들보다 성능이 좋았습니다.
컨텍스트 중요도: 궤적 데이터 제거 시 성능이 가장 크게 저하되었으나, 텍스트 정보 (기상, NOTAM 등) 도 지연 예측에 유의미한 보완적 역할을 함을 확인했습니다.
실시간 업데이트: 새로운 정보가 들어옴에 따라 지연 예측이 실시간으로 업데이트되며, 오차가 1 분 이내로 수렴하여 실제 운영 (Ground service coordination) 에 활용 가능한 수준임을 시연했습니다.
5. 의의 및 결론 (Significance & Conclusion)
운영적 가치: 관제사가 항공기 도착 지연을 실시간으로 모니터링하고, 지상 서비스 (탑승, 화물, 연료 등) 의 스케줄링을 최적화하는 데 직접적인 도움을 줄 수 있습니다.
기술적 혁신: 고정된 입력 크기에 의존하지 않고, 자연어 처리와 시계열 분석을 유연하게 결합하여 항공 교통 관리의 복잡성을 해결하는 새로운 패러다임을 제시했습니다.
확장성: 사전 훈련된 LLM 과 궤적 인코더를 재사용하여 학습 비용을 절감하면서도, 더 강력한 백본 모델로 쉽게 확장 (Scalability) 할 수 있는 구조를 가집니다.
이 논문은 항공 지연 예측 분야에서 텍스트와 시계열 데이터의 시너지를 극대화하는 LLM 기반 접근법의 유효성을 입증한 중요한 연구로 평가됩니다.