정확한 선박 항적 예측은 선박의 충돌 회피 전략 수립과 자율운항 선박의 안전 운항에 중요한 요소이다. MMG(Maneuvering Modeling Group) 모델이나 CFD(Computational Fluid Dynamics)를 활용하여 선박 항적을 계산할 수 있지만, 계산을 위한 선박의 정확한 계 수등을 확보하는 것은 현실적으로 어렵다. 이에 대한 대안으로, LSTM(Long Short-Term Memory)과 같은 인공지능을 활용한 항적 예측 연 구가 진행되고 있다. 그러나 LSTM 단독으로는 선박의 복잡한 비선형적 움직임을 완벽히 예측하는데 한계가 있다. 예측 정확도를 향상 시키기 위해 본 연구에서는 STL-CNN-LSTM 하이브리드 모델을 제안한다. 이 모델은 STL (Seasonal and Trend decomposition using Loess)을 이용한 데이터를 분해하고, CNN(Convolutional Neural Network)을 활용한 데이터의 특징 추출, 그리고 LSTM을 통한 학습이 이뤄진다. 이 연구는 CNN-LSTM에 비해 얼마나 더 높은 항적 예측도를 보여주는지 비교 분석한다. 분석 결과, STL-CNN-LSTM 모델은 CNN-LSTM보 다 우수한 예측 성능을 보이며, 예측 오차는 1~5미터 범위 내에 있는 것으로 나타났다. 이러한 연구 결과는 정밀한 충돌 회피 전략 개 발에 기여할 수 있으며, 향후 연구에서는 실무 적용을 위한 충돌회피 모델의 설계 고도화 연구에 적용될 것이다.

Accurate trajectory prediction of ships is essential for developing collision avoidance strategies and ensuring safe navigation of autonomous ships. Although ship trajectories can be calculated using the Maneuvering Modeling Group (MMG) or Computational Fluid Dynamics (CFD) models, obtaining precise coefficients for these calculations is often impractical. Alternatively, artificial intelligence-based approaches, such as Long Short-Term Memory (LSTM), have been explored for trajectory prediction. However, LSTM alone has limitations in accurately predicting the complex nonlinear movements of ships. To enhance predictive accuracy, this study proposes an STL-CNN-LSTM hybrid model. This model uses Seasonal and Trend decomposition using Loess (STL) for data decomposition, a Convolutional Neural Network (CNN) for feature extraction, and LSTM for sequential learning. This study compares the predictive performance of STL-CNN-LSTM with that of CNN-LSTM to assess its effectiveness. The results demonstrate that the STL-CNN-LSTM model outperforms CNN-LSTM model, limiting prediction errors within the range of 1–5 m. These findings contribute to the development of precise collision avoidance strategies, and future research should focus on advancing collision avoidance models for real-world implementation.

요 약
Abstract
1. 서 론
2. 연구 방법
    2.1 항적계산
    2.2 선박의 항적 예측
3. 결 과
    3.1 STL-CNN-LSTM의 항적 예측 결과
    3.2 합성 모델 간의 결과 비교
4. 결 론
References

• 이희진(한국해양수산연수원 교수) | Heejin, Lee (Professor, Korea Institute of Maritime and Fishery Technology, Busan, Korea) Corresponding author