정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document : 12 / 14
| 한글제목(Korean Title) |
선박 데이터에서 예측 정확성 향상을 위한 훈련 데이터의 이상치 검출 방안 |
| 영문제목(English Title) |
Detecting Outliers on Training Dataset for Better Quality of Estimation on Vessel Traces |
| 저자(Author) |
정형근
이강우
조은선
Hyungkun Jung
Kang-Woo Lee
Eun-Sun Cho
|
| 원문수록처(Citation) |
VOL 25 NO. 12 PP. 0594 ~ 0601 (2019. 12) |
한글내용
(Korean Abstract) |
최근 해양 수송업의 안전성을 높이기 위하여 선박 해양 데이터 분석의 필요성이 대두되고 있다. 이러한 분석은 선박의 도착 시간이나 도착 항구 예측 등을 그 목적으로 한다. 본 논문에서는 EU2020의 Marin Traffic사와 BigDataOcean 프로젝트에서 제공하는 실제 항해 데이터를 바탕으로 도착 시간 및 항구를 예측하는 방법에 대해 소개하고, 정확성을 높이기 위한 방안으로 실제 훈련 데이터에 포함된 아웃 라이어를 탐지하는 방안에 대해 제안한다. 궤적의 아웃라이어 탐지를 위하여 기존의 군집화 기법을 사용하여 추가로 대표 궤적을 선출하여 정차 선박을 탐지하고, 아웃라이어 궤적 값 처리에 대해서 설명한다. 본 논문에서 제안하는 방법들의 실용성을 보이기 위하여 아웃라이어를 제거한 선박의 도착 시간 및 항구 예측이 기존 방법에 비해 향상됨을 보였다.
|
영문내용
(English Abstract) |
Recently, data analysis methods have emerged to improve the safety of the maritime transport industry. The focus of these analyses frequently include estimation of arrival ports and arrival times. This paper introduces an estimation method for arrival ports and arrival times from ship trajectory data based on actual maritime data provided by Marin and the BigDataOcean Project of EU2020, and proposes a new outlier detection method from training data set, to enhance the quality of the estimation method. We use clustering techniques in existing studies to detect trajectory outliers. Our study focuses on selecting representative trajectories to detect parked vessels, and how to manipulate trajectory outlier values. To demonstrate the practicality of the proposed method, we apply the algorithm to the model of the existing study, which shows better quality of estimation on the destinations and the arrival time of the ships.
|
| 키워드(Keyword) |
선박 궤적 데이터
아웃라이어
군집화
하우스도르프 거리
vessel trajectory data
outlier
clustering
Hausdorff distance
|
| 파일첨부 |
PDF 다운로드
|
