도심항공 모빌리티 경로 예측을 위한 딥러닝 모델 비교 연구
Comparative Analysis of Deep Learning Models for Trajectory Prediction in Urban Air Mobility
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
도심 항공 모빌리티(Urban Air Mobility, UAM)는 지속 가능하고 효율적인 교통 대안으로 주목받고 있다. 그러나 복잡한 도심 환경에서의 안전한 운용을 위해 비행 경로 예측의 정확성과 효율성을 향상시키는 연구가 필요하다. 본 연구는 이러한 필요성에 따라, 기존의 머신러닝이나 단순 회귀 모델의 한계를 극복하기 위해 딥러닝 기반 경로 예측 모델을 제안한다. 대한항공 항공 기술연구원에서 직접 생성한 데이터를 사용하여 Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) 모델을 비교 분석하였으며, 최적의 하이퍼파라미터를탐색하여 모델 성능을 극대화하였다. 실험 결과, GRU 모델은 가장 낮은 RMSE와 짧은 추론 시간을 기록하여 실시간 UAM 경로 예측 체계 운용에 적합한 모델로 확인되었다. 또한, 학습에 사용되지 않은 새로운 데이터를 통해 비교 실험을 수행하여 GRU 모델의 실제 적용 가능성을 검증하였다. 본 연구는 UAM의 위도, 경도, 고도 데이터를 기반으로 한 경로 예측 모델의 성능을 평가할뿐만 아니라, 도심 환경에서 실시간으로 경로를 예측하는 실용적인 프레임워크를 제안한다. 이를통해 UAM의 안전성과 효율성을 향상시키고, 도심 교통의 새로운 패러다임을 구축하기 위한 기술적 기반 마련에 기여할 것으로 기대된다.
Abstract
Urban Air Mobility (UAM) has garnered significant attention as a sustainable and efficient alternative for urban transportation. However, ensuring safe operations in complex urban environments necessitates research aimed at improving the accuracy and efficiency of flight trajectory prediction. This study addresses this need by proposing a deep learning-based trajectory prediction model that overcomes the limitations of conventional machine learning and simple regression models. Using data generated directly by the Korean Air Aerospace Technology Research Institute, the study conducts a comparative analysis of Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models, while optimizing hyperparameters to maximize model performance. The experimental results demonstrate that the GRU model achieved the lowest RMSE and shortest inference time, making it the most suitable for real-time UAM trajectory prediction systems. Additionally, validation experiments using new, unseen data further confirmed the practical applicability of the GRU model. This study not only evaluates the performance of trajectory prediction models based on UAM latitude, longitude, and altitude data but also proposes a practical framework capable of real-time trajectory prediction in urban environments. Through these contributions, this research aims to enhance the safety and efficiency of UAM operations and establish a technical foundation for developing a new paradigm in urban transportation.
참고문헌 (14)
- A. Bauranov, "Designing airspace for urban air mobility : A review of concepts and approaches", Progress in Aerospace Sciences, 125, pp.100726~ (2021)[DOI]
- H. Pak, "Can Urban Air Mobility become reality? Opportunities and challenges of UAM as an innovative mode of transport and DLR contribution to ongoing research", CEAS Aeronautical Journal, 2024, pp.1~31 (2024)
- Q. Zhou, "Avionics of Electric Vertical Take-off and Landing in the Urban Air Mobility : A Review", IEEE Aerospace and Electronic Systems Magazine (2024)
- Fast-forwarding to a future of on-demand urban air transportation, "J. Holden", ~ (2016)
- P. Kopardekar, "Unmanned aircraft system traffic management (utm)concept of operations", Proc. AIAA AVIATION Forum and Exposition (2016)
- Ministry of Land, Infrastructure and Transport (MOLIT), "Korean Urban Air Mobility (K-UAM) Roadmap", ~
- X. Yang, "Autonomous free flight operations in urban air mobility with computational guidance and collision avoidance", IEEE Trans. on Intelligent Transportation Systems, 22(9), pp.5962~5975 (2021)[DOI]
- W. Kun, "A 4-d trajectory prediction model based on radar data", Proc. 27th Chinese Control Conf, pp.591~594 (2008)
- S. M. Hashemi, "New reliability studies of data-driven aircraft trajectory prediction", Aerospace, 7(10), pp.145~ (2020)
- Y. Zhu, "UAV trajectory tracking via RNN-enhanced IMM-KF with ADS-B data", Proc. IEEE Wireless Communications and Networking Conf. (WCNC), pp.1~6 (2024)
- L. You, "ST-Seq2Seq : A spatio-temporal feature-optimized seq2seq model for short-term vessel trajectory prediction", IEEE Access, 8, pp.218565~218574 (2020)[DOI]
- L. R. Medsker, "Recurrent neural networks", Design and Applications, 5, pp.64~67 (2001)
- S. Hochreiter, "Long short-term memory" (1997), Neural Computation MIT-Press