본문 바로가기
KERD
논문KCI 등재

심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측

Fishing Boat Rolling Movement of Time Series Prediction based on Deep Network Model

임남균|김동균
한국항해항만학회|2023.12|한국항해항만학회지 (Journal of Korean Navigation and Port Reserch)|제47권 제6호|pp. 376-385

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

어선딥러닝 모델deep learning modelResNet50fishing boat전복 사고XceptionCRNNcapsizing accident
주제분류해상운송학

초록

통계에 따르면 어선의 전복 사고는 전체 전복 사고의 절반 이상을 차지한다. 이는 미숙한 조업, 기상 악화, 정비 미흡 등 다양한 원인으로 발생할 수 있다. 업계 규모와 영향도, 기술 복잡성, 지역적 다양성 등으로 인해 어선은 상선에 비해 상대적으로 연구가 부족한 실정이다. 본 연구에서는 이미지 기반 딥러닝 모델을 활용하여 어선의 횡동요 시계열을 예측하고자 한다. 이미지 기반 딥러닝은 시계열의 다양한 패턴을 학습하여 높은 성능을 낼 수 있다. 이를 위해 Xception, ResNet50, CRNN의 3가지의 이미지 기반 딥러닝 모델을 활용하였다. Xception과 ResNet50은 각각 177, 184개의 층으로 구성되어 있으며 이에 반해 CRNN은 22개의 비교적 얇은 층으로 구성되어 있다. 실험 결과 Xception 딥러닝 모델이 가장 낮은 0.04291의 sMAPE와 0.0198의 RMSE를 기록하였다. ResNet50과 CRNN은 각각 0.0217, 0.022의 RMSE를 기록하였다. 이를 통해 상대적으로 층이 더 깊은 모델의 정확도가 높음을 확인할 수 있다.

Abstract

Fishing boat capsizing accidents account for more than half of all capsize accidents. These can occur for a variety of reasons, including inexperienced operation, bad weather, and poor maintenance. Due to the size and influence of the industry, technological complexity, and regional diversity, fishing ships are relatively under-researched compared to commercial ships. This study aimed to predict the rolling motion time series of fishing boats using an image-based deep learning model. Image-based deep learning can achieve high performance by learning various patterns in a time series. Three image-based deep learning models were used for this purpose: Xception, ResNet50, and CRNN. Xception and ResNet50 are composed of 177 and 184 layers, respectively, while CRNN is composed of 22 relatively thin layers. The experimental results showed that the Xception deep learning model recorded the lowest Symmetric mean absolute percentage error(sMAPE) of 0.04291 and Root Mean Squared Error(RMSE) of 0.0198. ResNet50 and CRNN recorded an RMSE of 0.0217 and 0.022, respectively. This confirms that the models with relatively deeper layers had higher accuracy.

참고문헌 (20)

  1. Alvarellos, A., "Machine Learning Based Moored Ship Movement Prediction", Journal of Marine Science and Engineering, 9(8) (2021)
  2. Ashish, V., "Attention is All you Need", Advances in Neural Information Processing Systems, 30 (2017)
  3. "Fishing boat capsize accident" (2023)[URL]
  4. Cho, K., "Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation", Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp.1724~1734 (2014)
  5. Chollet, F., "Xception : Deep Learning With Depthwise Separable Convolutions", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.1251~1258 (2017)
  6. El M. S., "Deep Learning-Based Ship Speed Prediction for Intelligent Maritime Traffic Management", Journal of Marine Science and Engineering, 11(1) (2023)
  7. He, K., "Deep Residual Learning for Image Recognition", 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.770~778 (2016)
  8. Hochreiter, S., "Long Short-term Memory", Neural Computation, 9(8), pp.1735~1780 (1997)
  9. Hoseinzade, E., "CNNpred : CNN-based stock market prediction using a diverse set of variables", Expert Systems with Applications, 129(1), pp.273~285 (2019)
  10. 김영롱, "기계학습기반의 근사모델을 이용한 선박 횡동요 운동 예측", 한국항해항만학회지, 42(6), pp.395~405 (2018), 한국항해항만학회[DOI]
  11. 김홍범, "선박의 운항 상태를 고려한 선종별 안정적인 GM 운용에 관한 연구", 한국항해항만학회지, 44(4), pp.275~282 (2020), 한국항해항만학회
  12. 김민규, "A Study on Ship Route Generation with Deep Q Network and Route Following Control", 한국항해항만학회지, 47(2), pp.75~84 (2023), 한국항해항만학회
  13. 김형진, "합성곱 네트워크 기반의 Conv1D 알고리즘에서 시간 종속성을 반영한 선박 연료계통 장비의 고장 진단 모델", 한국항해항만학회지, 46(4), pp.367~374 (2022), 한국항해항만학회
  14. 김영일, "컨테이너 터미널 내 반출입 차량 대기시간 예측에 관한 연구", 한국항해항만학회지, 46(4), pp.344~350 (2022), 한국항해항만학회
  15. "Korean Maritime Safety Tribunal" (2023)[URL]
  16. Lin, J., "Intelligent ship anti-rolling control system based on a deep deterministic policy gradient algorithm and the Magnus effect", Physics of Fluids, 34(5) (2022)
  17. Suhermi, N., "Roll motion prediction using a hybrid deep learning and ARIMA model", Procedia Computer Science, 144, pp.251~258 (2018)
  18. Yao, G., "A review of convolutional-neural-network-based action recognition", Pattern Recogn Lett, 118, pp.14~22 (2019)
  19. Zhou, X., "Deep learning machine based ship parametric rolling simulation and recognition algorithms", Ocean Engineering, 276 (2023)
  20. Wibawa, A. P., "Time-series analysis with smoothed Convolutional Neural Network", Journal of Big Data, 9(44) (2022)

관련 논문AI추천

딥러닝을 활용한 유자망어선 조업행태 분류모델 개발김광일, 김병엽, 유상록, 이경훈, 이정훈한국수산과학회 · 한국수산과학회지2024 · 제57권 제4호기계학습기반의 근사모델을 이용한 선박 횡동요 운동 예측김영롱, 문성배, 박준범한국항해항만학회 · 한국항해항만학회지2018 · 제42권 제6호Ship Motion-Based Prediction of Damage Locations Using Bidirectional Long Short-Term Memory최진, 김기용, 손혜영, 신성철, 이동곤, Kang Hee Jin한국해양공학회 · 한국해양공학회지2022 · 제36권 제5호딥러닝을 이용한 연안 소형 어선 주요 치수 추정 연구김동준, 자오양, 장민성한국수산해양기술학회 · 수산해양기술연구2022 · 제58권 제3호딥러닝을 이용한 외해 해양기상자료로부터의 항내파고 예측문용호, 박원경, 이건세, 정동현, 채장원한국해안,해양공학회 · 한국해안·해양공학회논문집2021 · 제33권 제6호보간기법을 적용한 AIS 데이터 기반 선박 경로 예측 딥러닝 연구윤승원, 이규철, 이원희, 장다현한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제3호

이 간행물의 다른 논문 (15건)

9.77톤급 소형어선의 3자유도 구속모형시험을 통한 선속 별 운항성능 추정김동진, 안해성, 조경희, 여동진pp. 305-314풍하중을 고려한 확률론적 운동특성 평가기법 개발에 관한 연구이상의pp. 315-323베이지안 네트워크를 이용한 항로표지사고 주요 요인 분석박상원, 문범식, 박영수pp. 324-330해양수색구조 의사결정지원을 위한 익수자 생존시간 고찰윤종휘, 정해상, 정다운, 김충기pp. 331-340부산 감천항 도선구의 도선안전위해요소에 관한 연구송태석, 김대원, 최지웅, 박영수, 김세훈, 최봉권pp. 341-349
원문 보기