LLM-Grounded Explainability for Port Congestion Prediction via Temporal Graph Attention Networks

Each language version is independently generated for its own context, not a direct translation.

이 논문은 항구에서 배들이 막히는 '정체 현상'을 미리 예측하고, 왜 막히는지 쉽게 설명해 주는 인공지능 시스템을 소개합니다.

기존의 시스템은 "내일 막힐 확률이 70% 입니다"라고 숫자만 알려주곤 했죠. 하지만 항구 관리자나 물류 회사 입장에서 중요한 건 "왜 막히나요?"라는 질문입니다. 이 논문은 그 답을 인공지능이 스스로 찾아서 자연어로 설명해주는 새로운 방식을 제안합니다.

이 복잡한 기술을 일상적인 비유로 쉽게 풀어보겠습니다.

🚢 1. 문제 상황: "항구는 왜 막힐까?"

로스앤젤레스와 롱비치 항구는 미국으로 들어오는 물자의 3 분 1 을 처리하는 거대한 관문입니다. 하지만 배들이 너무 많이 몰리면 항구가 꽉 막히고, 이는 전 세계 물류 대란으로 이어집니다.

기존의 예측 시스템은 마치 **"날씨 예보관"**과 같았습니다. "내일 비 올 확률 70%"라고만 말했지, "왜 비가 올까요? 구름이 어디서 왔고, 바람은 어떻게 불었나요?"라고 설명해 주지는 못했습니다.

🧠 2. 해결책: "스마트한 교통 경찰" (AIS-TGNN)

이 논문이 만든 시스템은 두 가지 능력을 가진 스마트한 교통 경찰과 같습니다.

A. 눈이 좋은 감시카메라 (시간적 그래프 어텐션 네트워크)

비유: 항구를 작은 정사각형 격자 (그리드) 로 나누고, 각 격자에 있는 배들의 움직임을 실시간으로 감시합니다.
작동 원리: 단순히 배의 위치만 보는 게 아니라, 이웃 격자들과의 관계를 파악합니다. 예를 들어, A 구역이 막히면 그 옆 B 구역도 곧 막힐 수 있다는 '연쇄 반응'을 학습합니다.
핵심 기술: '어텐션 (Attention)'이라는 기술을 써서, **"어떤 이웃 구역이 내 구역의 정체에 가장 큰 영향을 줬는지"**를 숫자로 계산합니다. 마치 "이 구역이 막힌 건 바로 옆의 A 구역에서 배가 몰려와서 그렇습니다"라고 지목하는 것과 같습니다.

B. 유창한 해설가 (대형 언어 모델, LLM)

비유: 위의 감시카메라가 수집한 복잡한 숫자 데이터 (통계) 를 받아서, 일반인이 이해할 수 있는 보고서로 바꿔줍니다.
작동 원리: 인공지능이 "A 구역의 배 속도가 느려졌고, B 구역에서 배가 몰려와서 위험하다"는 데이터를 받으면, 이를 바탕으로 **"내일 이 구역은 배가 너무 많고 속도가 느려져서 정체될 가능성이 높습니다. 특히 옆 구역에서 몰려오는 배들이 주원인입니다"**라고 자연스러운 문장으로 작성해 줍니다.

🔍 3. 가장 중요한 점: "거짓말 없는 설명" (Grounded Explainability)

기존의 AI 해설가는 때때로 "아마 비가 올 거예요"라고 추측만 하거나, 근거 없는 이유를 대기도 했습니다. 하지만 이 시스템은 완전히 다른 방식을 씁니다.

규칙: 해설가는 자신이 본 숫자 데이터 (통계) 밖에서는 절대 말하지 않습니다.
검증: "이 구역이 막히는 이유는 옆 구역의 배 때문이에요"라고 말했을 때, 실제로 옆 구역의 배 데이터가 그 이유를 뒷받침하는지 99.6% 의 정확도로 확인했습니다.
결과: AI 가 만든 설명은 **창작물이 아니라, 사실에 기반한 '감사 가능한 보고서'**가 됩니다.

📊 4. 성과: "숫자보다 중요한 '기회 포착'"

이 시스템은 기존 방식보다 더 정확하게 정체 현상을 찾아냈습니다.

기존 방식: "막힐지도 모르고, 막히지 않을지도 모른다" (중간 정도 예측)
이 시스템: "막힐 확률이 높으니 미리 대비하세요!"라고 막히는 순간 (위험 신호) 을 더 많이 찾아냅니다.
왜 중요한가? 항구 관리자에게는 "막히지 않았는데 막힌다고 오보하는 것"보다, "실제로 막히는데 놓치는 것"이 훨씬 큰 손해입니다. 이 시스템은 놓치는 경우를 줄여서 물류 계획을 더 잘 세우게 도와줍니다.

💡 5. 결론: "블랙박스에서 투명한 파트너로"

이 연구는 인공지능이 단순히 "결과만 알려주는 블랙박스"가 아니라, **"왜 그런 결과가 나왔는지 근거를 들어 설명해주는 투명한 파트너"**가 될 수 있음을 보여줍니다.

한 줄 요약:

"이 시스템은 항구의 배 흐름을 감시하는 똑똑한 CCTV가 수집한 데이터를, 유능한 해설가가 일반인도 이해할 수 있는 '사실 기반 보고서'로 바꿔주어, 항구 정체를 미리 막을 수 있게 도와줍니다."

이처럼 인공지능이 복잡한 데이터를 인간이 이해할 수 있는 언어로 번역해 준다면, 항구 관리뿐만 아니라 우리 일상 속의 복잡한 위험 상황들도 더 잘 관리할 수 있을 것입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

배경: 로스앤젤레스 (LA) 및 롱비치 항구는 미국 서해안 물동량의 약 1/3 을 처리하는 핵심 허브이며, 이곳의 혼잡은 글로벌 공급망에 치명적인 영향을 미칩니다 (예: 2021 년 팬데믹 기간 동안 80 척 이상의 컨테이너 선박이 대기).
문제점:
- 기존 항만 혼잡 예측 시스템은 예측 정확도 (AUC, F1 등) 에만 집중하여, 실제 운영자가 의사결정을 내릴 수 있도록 해석 가능한 (interpretable) 설명을 제공하지 못함.
- 기존 그래프 신경망 (GNN) 기반 연구들은 공간적 의존성을 모델링하지만, 그 내부 메커니즘이 '블랙박스'로 남아 있어 비기술적 이해관계자에게 실행 가능한 통찰을 제공하지 못함.
- 기존 설명 방법 (GNNExplainer, SHAP 등) 은 수치적/추상적 결과에 그쳐 자연어 형태의 리포트로 변환되지 않음.

2. 제안 방법론: AIS-TGNN 프레임워크 (Methodology)

이 논문은 AIS-TGNN이라는 새로운 프레임워크를 제안하며, 이는 시간적 그래프 어텐션 네트워크 (TGAT) 와 구조화된 대형 언어 모델 (LLM) 을 결합한 엔드 - 투 - 엔드 파이프라인입니다.

A. 데이터 및 그래프 구성

데이터원: NOAA AIS (Automatic Identification System) 데이터 (2023 년 1 월~6 월, LA/롱비치 항만 지역).
그래프 구조: 연구 지역을 $0.1^\circ \times 0.1^\circ$ $0. 1^{\circ} \times 0. 1^{\circ}$ 그리드 셀로 분할하여 매일의 스냅샷을 생성.
- 노드: AIS 관측이 있는 그리드 셀.
- 엣지: 유클리드 거리를 기반으로 한 $k$ -최근접 이웃 ( $k=8$ ) 그래프.
- 특징 (Features): 각 노드당 10 가지 운동 및 교통 밀도 특성 (지상 속도 평균/표준편차, 저속 비율, 정박 비율, 선박 수, 화물/탱커 비율 등) 을 추출하여 정규화 (z-score).
레이블: 다음 날의 '저속 선박 비율 (slow ratio)'이 현재 날보다 증가하는 경우를 혼잡 악화 (Congestion-Escalation, $y=1$ ) 로 정의 (이진 분류).

B. 예측 모델: Temporal Graph Attention Network (TGAT)

아키텍처:
- 스페이스 - 타임 메시지 전달: 각 시간 단계 $t$ 에서 이웃 노드들의 정보를 어텐션 메커니즘을 통해 집계.
- 멀티헤드 어텐션: 각 노드가 이웃의 영향을 적응적으로 가중치 부여 ( $\alpha_{ij}$ ) 하여 학습.
- 시간적 컨텍스트: 이전 시간 단계의 노드 임베딩을 현재 특징 벡터와 연결하여 순환 구조 없이 시간적 맥락을 반영.
학습 전략: 불균형 데이터 (양성률 13.5%) 를 처리하기 위해 이진 교차 엔트로피 손실 함수에 클래스 가중치 (6.74) 를 적용. 엄격한 시간적 분할 (Training 70%, Validation 15%, Test 15%) 을 사용하여 데이터 누출 방지.

C. 설명 가능성 모듈: 구조화된 LLM 추론

증거 추출: TGAT 모델의 내부 상태 (특징 z-score 순위, 어텐션 가중치 기반 이웃 영향력) 를 구조화된 데이터로 추출.
프롬프트 설계: 추출된 증거 (Top-5 특징, Top-2 이웃 정보, 상관관계 방향 등) 를 GPT-4o-mini 에 입력.
제약 조건: LLM 이 외부 지식이 아닌 제공된 모델 증거에 기반하여만 추론하도록 프롬프트를 설계.
출력 구조: 6 가지 섹션 (주요 특징 드라이버, 이웃 영향, 위험 요약, 반사실적 제안, 불확실성, 한계점) 으로 구성된 JSON 형식의 리포트 생성.

3. 주요 기여 (Key Contributions)

AIS-TGNN 데이터셋 및 파이프라인: NOAA AIS 원시 데이터를 89 개의 시공간 그래프 스냅샷 (약 30,200 개 노드 - 일 샘플) 으로 변환하는 오픈소스 파이프라인 개발.
TGAT 혼잡 예측기: 엄격한 시간적 분할을 통해 데이터 누출 없이 테스트 AUC 0.761 을 달성한 고품질 예측 모델 구현.
어텐션 기반 증거 추출: 모델 내부의 어텐션 가중치와 통계적 특징을 인간이 해석 가능한 '증거 기록'으로 변환하는 메커니즘 제시.
LLM 기반 위험 합성: 구조화된 증거를 기반으로 99.6% 의 방향성 일관성을 가진 자연어 위험 리포트를 생성하는 프레임워크 제시.

4. 실험 결과 (Results)

예측 성능 (Test Set):
- AUC: 0.761 (LR: 0.713, GCN: 0.759 대비 우위).
- Recall: 0.504 (GCN 대비 13.2% 향상). 이는 실제 혼잡 사건을 놓치는 것보다 오경보를 하는 것이 항만 운영자에게 더 큰 비용이므로 매우 중요한 지표임.
- Average Precision (AP): 0.344 (불균형 데이터에서 더 민감한 지표).
설명 가능성 검증 (Directional-Consistency):
- 생성된 리포트의 위험 방향성 (증가/감소) 이 모델의 통계적 증거 (z-score 부호 및 상관관계) 와 일치하는지 검증.
- 결과: 500 개의 판단 중 498 개가 일치하여 99.6% 의 방향성 일관성 달성. 이는 LLM 이 모델의 증거를 사실에 기반하여 전달함을 의미.
특징 중요도: 평균 지상 속도 (Mean SOG) 와 저속 비율 (Slow Ratio) 이 예측의 주요 드라이버로 확인되었으며, 이는 물리적 직관과 부합.

5. 의의 및 결론 (Significance & Conclusion)

기술적 의의: 그래프 어텐션 기반의 시공간 예측과 LLM 기반의 자연어 설명을 통합한 최초의 항만 혼잡 예측 프레임워크.
실무적 가치:
- 검증 가능한 리스크 보고: 모델의 '블랙박스' 결정을 인간이 이해하고 감사 (audit) 할 수 있는 자연어 리포트로 변환.
- 운영적 효율성: 높은 Recall 을 통해 혼잡 악화를 조기에 감지하여 선박 우회 및 장비 선배치 등 선제적 대응 가능.
- 신뢰성: LLM 이 임의의 이야기를 생성하는 것이 아니라, 모델 내부의 통계적 증거에 기반하여 리포트를 생성하므로 신뢰도 확보.
향후 과제: 기상 조건, 조석, 선석 스케줄링 등 외생 변수 추가, 다단계 예측 (recursive temporal unrolling), 그리고 실시간 운영 대시보드 배포를 통한 검증.

이 연구는 정확한 예측과 해석 가능한 설명을 동시에 달성하여, 항만 혼잡 모니터링 및 공급망 리스크 관리에 실용적인 AI 솔루션을 제시했다는 점에서 의의가 큽니다.