Data-Driven Trajectory Imputation for Vessel Mobility Analysis

논문 제목: 데이터 기반 선박 이동성 분석을 위한 궤적 보간 (Trajectory Imputation)

저자: Giannis Spiliopoulos 등 (그리스 에게해 대학, Archimedes/Athena RC 등)
발표: EDBT '26 (2026 년 3 월, 핀란드 탐페레)

1. 문제 정의 (Problem Statement)

• 배경: 해양 무역의 약 80% 가 해상을 통해 이루어지며, 자동식별시스템 (AIS) 은 수만 척의 선박을 실시간으로 모니터링하는 핵심 도구입니다.
• 핵심 문제: AIS 데이터는 신호 손실, 커버리지 부족, 의도적인 송신 중단 (스푸핑 등) 으로 인해 **궤적에 큰 공백 (Gaps)**이 자주 발생합니다. 이로 인해 선박의 정확한 위치와 이동 경로를 파악하기 어렵고, 데이터 품질이 저하되어 신뢰할 수 있는 분석이 불가능해집니다.
• 기존 방법의 한계:
  • 기존 궤적 보간 (Imputation) 기술은 주로 도로 네트워크가 존재하는 육상 차량용 (GPS 데이터) 으로 개발되었습니다.
  • 해상 환경은 고정된 네트워크가 없으며, 선박은 대형 선박의 경우 급격한 회전 불가, 항만 근처의 복잡한 기동, 기상 조건에 따른 비정형적 항해 등 육상 차량과 근본적으로 다른 운동 패턴을 보입니다.
  • 따라서 기존 방법들은 해상 궤적의 공백을 채울 때 비현실적인 경로 (예: 육지 통과, 급격한 방향 전환) 를 생성하거나 정확도가 낮다는 문제가 있습니다.

2. 제안 방법론: HABIT (H3 Aggregation-Based Imputation framework)

저자들은 해상 선박의 고유한 특성을 반영한 경량화 데이터 기반 프레임워크인 HABIT을 제안합니다.

2.1. 핵심 아키텍처 및 프로세스

HABIT 는 오픈소스 도구 (DuckDB, NetworkX) 를 기반으로 하며, 다음과 같은 4 단계로 구성됩니다.

1. 데이터 전처리 및 여정 분할 (Trip Segmentation):
   • AIS 원시 데이터를 정제하고, 선박의 정지 (Stop) 또는 통신 공백 (Gap) 을 기준으로 개별 여정 (Trip) 으로 분할합니다.
   • 잡음 (중복 좌표, 유효하지 않은 좌표 등) 을 제거합니다.
2. 그래프 생성 (Graph Generation):
   • H3 공간 인덱스 활용: 전 세계를 육각형 (Hexagon) 셀로 분할하는 H3 지오코딩 시스템을 사용하여 AIS 데이터를 격자화합니다.
   • 통계 기반 그래프: 각 H3 셀과 셀 간의 이동 (Transition) 에 대한 통계 (선박 수, 이동 횟수, 중앙값 좌표, 속도 등) 를 DuckDB 를 통해 집계합니다.
   • 가중 그래프 구성: H3 셀을 노드, 셀 간 이동을 에지로 하는 가중 그래프를 생성합니다. 이는 고정된 도로망이 아닌, 실제 선박의 이동 패턴을 기반으로 한 '데이터 기반 해상 네트워크'입니다.
3. 궤적 보간 (Trajectory Imputation):
   • 공백의 시작점과 종료점을 H3 셀에 매핑합니다.
   • A 알고리즘*을 사용하여 그래프 상에서 가장 빈번하게 이동한 경로 (최단 경로) 를 탐색합니다.
   • 데이터 기반 역투영 (Inverse Projection): 단순히 셀의 기하학적 중심을 사용하는 대신, 해당 셀을 통과한 실제 선박 위치들의 중앙값 (Median) 좌표를 사용하여 보간된 경로를 실제 좌표로 변환합니다. 이는 육지나 비항해 가능 지역을 피하는 데 중요합니다.
4. 궤적 단순화 (Trajectory Simplification):
   • 격자 기반 경로에서 발생할 수 있는 급격한 '지그재그'를 제거하기 위해 Ramer-Douglas-Peucker (RDP) 알고리즘을 적용합니다.
   • 대형 선박의 제한된 기동성을 고려하여 부드럽고 항해 가능한 경로로 매끄럽게 만듭니다.

2.2. 주요 특징

• 경량화: 복잡한 머신러닝 모델 (Transformer 등) 대신 통계적 집계와 그래프 알고리즘을 사용하여 계산 자원을 적게 소모합니다.
• 선박 특성 반영: 선박의 크기, 흘수 (draught), 항해 패턴을 고려하여 비항해 가능 지역 (육지, 얕은 물) 을 회피하는 경로를 생성합니다.
• 스케일링: DuckDB 의 인메모리 처리 능력을 활용하여 대규모 AIS 데이터를 효율적으로 처리합니다.

3. 실험 및 결과 (Experimental Results)

3.1. 실험 설정

• 데이터셋: 덴마크 (DAN, KIEL) 와 그리스 (SAR) 지역의 실제 AIS 데이터 사용. 다양한 선박 유형 (여객선, 화물선 등) 과 해상도를 포함.
• 비교 대상:
  • GTI: 최신 상태의 네트워크 무관 (network-agnostic) 보간 방법.
  • SLI (Straight-Line Interpolation): 단순 직선 연결 (Baseline).
  • PaLMTO: 언어 모델 기반 방법 (실험 중 타임아웃으로 제외).
• 평가 지표: 정확도 (DTW - 동적 시간 왜곡), 성능 (쿼리 지연 시간, 메모리 사용량).

3.2. 주요 결과

• 정확도 (Accuracy):
  • HABIT 는 GTI 와 비교하여 비슷하거나 특정 시나리오 (다양한 선박 유형이 혼재된 SAR 데이터) 에서 더 나은 정확도를 보였습니다.
  • 특히 GTI 는 비주요 항로에서 이상치 경로를 선택하는 경향이 있었으나, HABIT 는 지역적 이동 패턴을 잘 반영하여 더 현실적인 경로를 생성했습니다.
  • 단순 직선 연결 (SLI) 보다 훨씬 우수한 성능을 입증했습니다.
• 성능 (Performance):
  • 지연 시간 (Latency): HABIT 는 **초 단위 (Sub-second)**로 보간을 완료하는 반면, GTI 는 0.2~5 초 이상의 지연을 보였습니다.
  • 메모리 효율성: HABIT 의 프레임워크 크기는 GTI 에 비해 수십 배에서 수백 배 더 작았습니다 (예: SAR 데이터셋 기준 HABIT 는 57MB, GTI 는 4GB 이상).
  • 확장성: 데이터 양이 증가하거나 공백 시간이 길어질수록 (2~4 시간) HABIT 는 성능 저하가 완만하여 확장성이 뛰어났습니다.

4. 주요 기여 (Key Contributions)

1. 해상 특화 보간 프레임워크 (HABIT) 제안: 육상 차량용이 아닌, 선박의 운동 패턴 (부드러운 회전, 항만 기동 등) 과 해상 환경 (고정된 네트워크 부재) 을 고려한 최초의 H3 기반 경량화 보간 프레임워크입니다.
2. 데이터 기반 통계적 접근: 복잡한 머신러닝 모델 대신, H3 격자 기반의 집계 통계와 그래프 알고리즘을 활용하여 정확도와 효율성을 동시에 달성했습니다.
3. 실용적인 경로 생성: 단순한 좌표 연결이 아닌, 실제 선박의 이동 중앙값과 RDP 알고리즘을 결합하여 **항해 가능 (Navigable)**하고 현실적인 경로를 생성합니다.
4. 광범위한 실증 분석: 다양한 해상도, 선박 유형, 공백 길이에 대한 실험을 통해 기존 최신 방법 (SOTA) 대비 우수한 확장성과 낮은 리소스 소모를 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 해양 모니터링, 교통 분석, 비상 대응 등 다양한 분야에서 고품질의 선박 궤적 데이터가 필수적임에도 불구하고 발생하는 데이터 공백 문제를 해결하는 실용적인 솔루션을 제시합니다. HABIT 는 높은 정확도를 유지하면서도 **저비용 (경량화)**으로 대규모 AIS 데이터를 처리할 수 있어, 실시간 해양 관제 시스템이나 대규모 역사적 데이터 분석에 매우 유용하게 적용될 수 있습니다. 향후 연구로는 선박의 상태 (흘수 등) 및 항해 컨텍스트 (기상, 목적지) 를 추가 반영하고, 트랜스포머 기반 모델과의 통합을 통해 데이터 품질을 더욱 고도화할 계획입니다.