LSTM Auto Encoder 이용한 접근 이상 항적 탐지 모형

• 영문명: Anomaly Trajectory Detection Model Using LSTM Auto Encoder
• 발행기관: 한국자료분석학회
• 저자명: 박지훈(Ji Hun Park) 김승환(Seung Whoun Kim) 이학태(Hak Tae Lee) 고영호(Young Ho Ko) 박헌진(Heon Jin Park)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.26 No.1, 35~47쪽, 전체 13쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2024.02.29

국문 초록

항공 수요가 글로벌화와 함께 지속적으로 증가하고 있으며, Urban Air Mobility(UAM)의 도래로 도시 지역에서의 항공 이동이 중요한 이슈로 부상하고 있다. 이러한 배경 속에서 안전한 항공 시스템의 구축은 더욱 중요해지고 있다. 이상 징후 또는 비정상 작동을 탐지하기 위해 Auto Encoder(AE) 기반 이상 항적 탐지 연구가 이루어지고 있다. 항적은 환경에 영향을 받기 때문에 이상 항적 탐지 모형에 환경을 반영해야 한다는 어려움이 있다. 이를 해결하기 위해 본 연구는 환경 데이터와 궤적 데이터를 입력으로 사용하면서, 궤적 데이터만을 출력하는 Long Short Term Memory-Auto Encoder(LSTM-AE) 모형을 새롭게 제안한다. 일부 항적에 대한 Mean Absolute Error를 산출하여 모델의 재구성 능력을 확인하였다. 또한 전형적인 이상 항적인 착륙 복행 항적에 대한 Area under the ROC curve(AUC)를 비교하여 이상 항적 탐지 능력을 확인하였다. 이를 통해 일반적인 AE 모형, LSTM-AE 모형보다 제안 모형이 환경 변수에 대한 궤적의 패턴을 성공적으로 학습하며 이상 패턴 탐지 능력이 우수하다는 것을 확인하였다. 본 연구의 결과를 바탕으로 향후 더욱 다양한 환경 변수의 적용과 함께 더욱 정교한 모형 개발이 기대된다.

영문 초록

With the rise in aviation demand and the emergence of Urban Air Mobility, developing a safe aviation system in urban areas is becoming increasingly important. This study addresses the challenge of detecting anomalous flight trajectories, which can be influenced by environmental factors. We propose a novel Long Short-Term Memory-Auto Encoder (LSTM-AE) model that processes both environmental and trajectory data but only reconstructs trajectory data in its output. This approach was validated by assessing the average reconstruction error for specific trajectories. Additionally, the model's ability to identify anomalies was confirmed by evaluating the Area under the ROC curve (AUC) for typical anomalous trajectories, such as go-around maneuvers. Our findings indicate that the proposed LSTM-AE model effectively learns trajectory patterns in relation to environmental variables and shows enhanced anomaly detection capabilities compared to traditional AE and LSTM-AE models. These results contribute to the development of advanced models that incorporate a wider range of environmental factors, enhancing safety in urban air travel.

목차

1. 서론

2. 데이터셋

3. 이론적 배경

4. 이상 항적 탐지 기법

5. 실험 결과

6. 결론

References

키워드

LSTM 오토인코더 다변량 시계열 ADS-B 이상치 탐지 딥러닝 LSTM Autoencoder Multivariate Time Series ADS-B Anomaly Detection Deep Learning