Context-Enriched Natural Language Descriptions of Vessel Trajectories

이 논문은 AIS 기반의 원시 선박 궤적 데이터를 지리적, 기상적 맥락 정보를 통합하여 구조화된 의미 풍부 표현으로 변환하고, 이를 통해 LLM 이 생성한 제어된 자연어 설명을 통해 해상 추론 및 분석을 용이하게 하는 컨텍스트 인식 궤적 추상화 프레임워크를 제안합니다.

핵심

🌊 1. 문제: "너무 많은 점, 너무 적은 이야기"

상상해 보세요. 바다 위를 떠다니는 배는 AIS(자동식별장치) 라는 장치를 통해 매초마다 자신의 위치를 우주로 보내고 있습니다.

• 현실: 이 데이터는 마치 **"지금 여기, 1 초 뒤 저기, 그다음 1 초 뒤 저기..."**라고만 외치는 무수한 점들입니다.
• 문제: 이 점들만으로는 배가 왜 멈췄는지, 왜 방향을 틀었는지, 어떤 날씨를 겪었는지 알 수 없습니다. 마치 수천 개의 찍힌 사진만 있고, 그 사진들이 이어지는 '이야기'가 없는 것과 같습니다.
• LLM(거대 언어 모델) 의 한계: 최신 AI(챗봇 등) 는 글을 잘 쓰지만, 이 '점들'만 주고 이야기를 만들어달라고 하면 헛소리를 하거나 엉뚱한 이야기를 지어낼 수 있습니다.

🛠️ 2. 해결책: "배의 행동을 '장면'으로 나누고, 배경을 채우기"

저자들은 이 문제를 해결하기 위해 3 단계의 요리 과정을 제안합니다.

① 재료 손질하기 (모션 이벤트 감지)

먼저, 무작위하게 흩어진 점들을 정리합니다.

• 비유: 배의 움직임을 영화의 장면으로 나눕니다.
  • 정지 (Stop): 배가 항구에 정박하거나 바다에서 멈춘 장면.
  • 선회 (Turn): 배가 방향을 꺾는 장면.
  • 항해 (Sailing): 일직선으로 나아가는 장면.
  • 통신 두절 (Gap): 라디오가 끊겨 배의 위치를 잠시 모른 채 건너뛰는 장면.
    이렇게 하면 수천 개의 점들이 **"출발 → 항해 → 회전 → 정박"**이라는 논리적인 흐름으로 바뀝니다.

② 배경 무대 세팅하기 (맥락 추가)

이제 각 '장면'에 배경 정보를 입힙니다.

• 비유: 영화 촬영장에 무대 장치와 날씨를 더하는 것입니다.
  • "이곳은 덴마크의 라울란트 곶 근처입니다." (지리적 정보)
  • "이때는 강풍이 불고 있었습니다." (날씨 정보)
  • "이곳은 어업 금지 구역을 지나고 있습니다." (규제 정보)
    이렇게 하면 AI 는 단순히 "배가 움직였다"가 아니라, **"배가 강풍 속에서 라울란트 곶을 지나며 항해했다"**는 풍부한 의미를 갖게 됩니다.

③ 스토리텔러에게 맡기기 (LLM 활용)

이제 정리된 '장면'과 '배경 정보'를 AI(대형 언어 모델) 에게 줍니다.

• 비유: 훌륭한 작가가 된 AI에게 "이 장면들을 바탕으로 배의 항해 일기를 써줘"라고 요청합니다.
• 결과: AI 는 이제 헛소리를 하지 않습니다. 왜냐하면 정확한 사실 (장면과 배경) 만을 바탕으로 글을 쓰기 때문입니다.
  • 예시: "배는 라울란트 곶 앞바다를 남서쪽으로 항해하다가, 페르마른 벨트 해협을 지나 14 노트의 속도로 나아갔습니다. 이때는 서풍이 불고 있었죠."

📊 3. 실험 결과: "큰 AI 가 더 똑똑하다"

저자들은 이 방법을 실제로 테스트했습니다.

• 작은 AI: 계산 능력이 부족해 "거리가 100 마일이다"라고 해야 할 것을 "1,000 마일"이라고 엉뚱하게 말하거나, 숫자를 잘 못 다뤘습니다.
• 큰 AI: 사실에 기반한 정확한 일기를 썼습니다. 특히 **숫자 계산 (거리, 시간, 속도)**에서 큰 AI 가 훨씬 정확했습니다.

💡 4. 왜 이것이 중요할까요? (실생활 적용)

이 기술은 바다의 안전과 효율성을 높이는 데 쓰일 수 있습니다.

• 사고 예방: "배가 왜 갑자기 방향을 틀었을까?"라고 물을 때, AI 가 "아, 그날 폭풍이 불어서 피하느라 방향을 틀었구나"라고 설명해 줄 수 있습니다.
• 항해 일지 자동 작성: 선주나 항만 당국이 "이번 항해는 어땠나요?"라고 물으면, AI 가 복잡한 데이터를 읽지 않고도 **"이번 항해는 비가 많이 왔지만, 항구를 잘 찾아 들어갔습니다"**라고 요약해 줍니다.
• 규제 준수 확인: 배가 보호 구역이나 금지 구역을 잘못 들어갔는지 쉽게 확인할 수 있습니다.

🎯 요약

이 논문은 "날것의 데이터 (점들)"를 "맛있는 요리 (맥락이 있는 장면)"로 만들고, 그것을 "요리 평론가 (AI)"에게 주어 "맛있는 비평 (자연어 설명)"을 만들어내는 시스템을 제안합니다.

이제 AI 는 바다의 복잡한 데이터를 단순히 숫자로만 보지 않고, 사람이 이해할 수 있는 '이야기'로 읽어낼 수 있게 된 것입니다.

기술 요약

1. 문제 정의 (Problem)

• AIS 데이터의 한계: 자동식별시스템 (AIS) 을 통해 수집된 선박 궤적 데이터는 위치, 속도, 항로 등 정밀한 정보를 제공하지만, 본질적으로 노이즈가 많고, 희소하며, 명시적인 의미론적 (semantic) 주석이 부재합니다.
• LLM 과의 상호작용 장벽: 원시 AIS 데이터는 단순한 시공간 튜플의 연속일 뿐, 지리적 맥락, 이동 패턴, 도메인 지식과 연결되지 않아 현대의 대규모 언어 모델 (LLM) 이 이를 직접 처리하거나 추론하는 데 심각한 어려움을 겪습니다.
• 해결 필요성: 인간이 이해할 수 있고 기계 추론 시스템이 직접 활용할 수 있는 구조화되고 의미론적으로 풍부해진 선박 궤적 표현이 필요합니다.

2. 제안된 방법론 (Methodology)

저자들은 원시 AIS 데이터를 문맥이 풍부해진 의미론적 궤적 (Context-Enriched Semantic Trajectories) 으로 변환하는 3 단계 프레임워크를 제안합니다.

A. 이동 이벤트 기반 궤적 주석 (Trajectory Annotation)

• 이동 패턴 인식: 선박의 속도, heading(방위), 시간 변화를 분석하여 주요 이동 이벤트를 감지합니다.
  • 정지 (Stop): 속도 < 0.5 노트 (항만 정박, 해상 정박 등).
  • 커뮤니케이션 갭 (Gap): 일정 시간 (예: 30 분) 동안 AIS 신호 수신 중단.
  • 속도 변화 (Speed Change): 급격한 감속 또는 가속 (항만 입출항 등).
  • 저속 주행 (Slow Motion): 1 노트 미만의 지속적 저속 주행.
  • 선회 (Turn): heading 변화가 임계값 (예: 5 도) 이상일 때.
• 노이즈 제거: 중복 위치, 잘못된 좌표, 지연 메시지 등을 필터링합니다.

B. 여정 (Trip) 및 에피소드 (Episode) 분할

• 여정 (Trip) 정의: 두 개의 연속된 정지 지점이나 긴 통신 갭 (예: 3 시간 이상) 사이에 있는 궤적 구간을 하나의 '여정'으로 정의합니다.
• 에피소드 (Episode) 정의: 각 여정을 이동 패턴에 따라 더 작은 단위로 분할합니다.
  • STOPPED, TURNING, MANEUVERING, COMMUNICATION GAP, SAILING 등 5 가지 유형으로 분류됩니다.
  • 각 에피소드는 지속 시간, 이동 거리, 평균 속도, heading 변화량 등의 통계를 포함합니다.

C. 문맥 풍부화 (Context Enrichment)

각 에피소드에 다양한 외부 데이터 소스를 결합하여 의미론적 정보를 추가합니다.

• 지리/해양 데이터: OpenStreetMap, OpenSeaMap 등을 활용하여 항구, 곶, 해협, 수역 보호 구역, 교통 분리 통로 (TSS) 등의 지리적 특징을 매핑합니다.
• 기상 및 수심 데이터: Copernicus(기상), GEBCO(수심) 의 NetCDF 데이터를 활용하여 해당 시점의 풍속 (보퍼트 척도), 풍향, 해저 수심 정보를 추가합니다.
• 출력 형식: CSV, JSON, 지도 시각화용 MAP 형식 등으로 변환 가능하며, 각 에피소드는 이동 특성과 문맥 정보 (Placemarks) 를 포함한 구조화된 데이터로 표현됩니다.

D. LLM 기반 자연어 생성

• 프롬프트 설계: 생성된 구조화된 JSON 데이터를 LLM 에 입력하여, 원시 데이터를 직접 해석하는 것이 아니라 문맥이 풍부해진 에피소드 정보를 바탕으로 자연어 여행 일지 (Narrative) 를 생성하도록 프롬프트를 설계했습니다.
• 생성 결과: 선박의 항해 경로, 정박 상황, 주요 지점 통과, 기상 조건 등을 포함한 사실적이고 간결한 텍스트 설명과 여행 통계를 JSON 형식으로 출력합니다.

3. 주요 기여 (Key Contributions)

1. 의미론적 궤적 프레임워크 개발: 원시 AIS 위치를 이동 이벤트 (정지, 선회 등) 를 기반으로 분할하고, 지리/해양/기상 데이터를 결합하여 구조화된 의미론적 궤적을 생성하는 오픈소스 프레임워크를 구축했습니다.
2. 다중 소스 문맥 통합: 다양한 형식의 외부 데이터 (지리, 해양, 기상) 를 에피소드 단위로 통합하여 선박 이동 패턴에 대한 심층적인 통찰력을 제공합니다.
3. LLM 을 활용한 텍스트 생성: 생성된 의미론적 표현을 입력받아 인간과 기계 모두에게 읽을 수 있는 자연어 여행 설명을 생성하는 LLM 파이프라인을 구현했습니다.
4. 실증적 평가: 실제 AIS 데이터와 다양한 오픈 소스 LLM 을 사용하여 생성된 설명의 품질 (관련성, 충실성, 정확성) 을 정량적, 정성적으로 평가했습니다.

4. 실험 결과 (Results)

• 데이터셋: 덴마크 해역의 여객선 AIS 데이터 (2024 년 1~3 월, 460 개 여정, 21 만 개 이상의 AIS 위치) 를 사용했습니다.
• 에피소드 분포: 전체 에피소드 중 'SAILING(항해)'이 가장 많았으며, 'TURNING(선회)'과 'STOPPED(정지)'도 상당 부분을 차지했습니다. 통신 갭은 드뭅니다.
• 문맥 풍부화 성공률:
  • 정지 (STOPPED) 에피소드의 100% 에서 항구 정보가 식별되었습니다.
  • 항해 및 선회 구간에서 수심 (Bathymetry) 데이터가 대부분 (80~98%) 적용되었습니다.
  • 기상 데이터는 이동 에피소드의 상당 부분에서 활용 가능했습니다.
• LLM 성능 비교:
  • 정확도: 더 큰 모델 (예: openai/gpt-oss-120b) 이 여행 거리 및 지속 시간 추정에서 가장 높은 정확도를 보였습니다. 반면, 작은 모델 (예: llama-3.1-8b) 은 계산 오류로 인해 값이 실제와 크게 빗나가는 경우가 많았습니다.
  • 품질 평가 (LLM-as-a-Judge): openai/gpt-oss-120b 가 관련성 (Relevance), 충실성 (Faithfulness), 정확성 (Correctness) 모든 항목에서 최고 점수 (4.91~4.96) 를 기록했습니다.
  • 한계: 모든 LLM 이 시공간 데이터 (거리, 속도) 의 정량적 계산에서 여전히 약간의 오차를 보였으며, 이는 LLM 의 계산 능력 한계를 시사합니다.

5. 의의 및 중요성 (Significance)

• 해석 가능성 및 설명 가능성 향상: 복잡한 AIS 데이터를 인간이 이해하기 쉬운 자연어 서사로 변환하여, 선박의 행동 (예: 우회, 이상 정지) 에 대한 이유를 투명하게 설명할 수 있게 합니다.
• 하류 작업 (Downstream Tasks) 지원: 생성된 텍스트는 항법 예측, 궤적 보간 (결측치 채우기), 이상 행동 탐지 (Anomaly Detection) 등 다양한 해양 AI 작업의 입력값으로 활용될 수 있습니다.
• 이해 관계자 지원: 항만 당국, 해안 경비대, 선사 등은 복잡한 데이터 분석 없이도 자연어 형태의 여행 보고서 (Voyage Reports) 를 통해 선박의 항해 이력을 쉽게 파악하고 계약 준수 여부를 확인할 수 있습니다.
• 해양 안전: 선박의 이동 경로와 기상/지형 조건을 결합한 설명은 충돌 회피 및 안전한 항해 가이드라인 생성에 기여할 수 있습니다.

이 연구는 데이터 마이닝 (궤적 분할 및 주석) 과 생성형 AI (LLM) 를 결합하여 해양 분야의 데이터 해석성을 혁신적으로 개선한 사례로 평가됩니다.