국제해운의 탈탄소 전환과 IMO GHG 전략에 따른 규제 강화로 선박별 정밀 배출 산정이 요구되고 있다. 그러나 실제 운항 선 박의 주기관 출력 정보는 외부 데이터베이스에 의존하는 경우가 많아 데이터 수집 단계에서 상당한 경제적 비용과 시간 지연이 발생한 다. 이러한 제약을 완화하기 위해, 본 연구는 AIS 정적 정보 중 선체길이를 단일 입력변수로 활용하여 선종별 주기관 출력을 기계학습으 로 추정하는 방법을 제안한다. 본 연구에서는 선형회귀, K-최근접이웃, 랜덤포레스트, 그래디언트부스팅, AdaBoost, XGBoost, LightGBM, CatBoost 등 8종의 기계학습 모델을 적용하였다. 수집한 데이터는 선종별로 분리한 뒤 무작위 분할하였고, 90% 학습셋에서 10-fold 교차검 증을 수행한 후 10% 홀드아웃 테스트로 최종 성능을 평가하였다. 테스트셋 기준 화물선은 CatBoost가 R²=0.96, 탱커선은 Gradient Boosting이 R²=0.96으로 가장 우수하였다. 여객선은 XGBoost가 R²=0.89, 예인선은 CatBoost가 R²=0.76을 보였다. 본 연구를 통해 AIS 데이터를 이용하여 주기관 출력을 추정할 수 있음을 확인하였다.

Amid the decarbonization of international shipping and tightening of regulations under the International Maritime Organization Greenhouse Gas (IMO GHG) strategy, precise vessel-level emission estimation is required. However, automatic identification system (AIS) messages lack gross tonnage and main engine power, which increases reliance on external databases and induces error accumulation in indirect inference. To address this limitation, we estimate main engine power directly from the AIS static attributes by using ship length as the input in training type-specific machine-learning models. We compared eight algorithms—linear regression, K-nearest neighbors (KNN), random forest, gradient boosting, AdaBoost, extreme gradient boosting (XGBoost), light gradient boosting machine regressor (LightGBM), and categorical boosting (CatBoost). For each ship type, the dataset was randomly split; 10-fold cross-validation was performed on the 90% training data, and final performance was evaluated on the 10% holdout test set. On the test set, CatBoost yielded the highest R-squared for cargo ships (R²=0.96), gradient boosting for tankers (R²=0.96), XGBoost for passenger ships (R²=0.89), and CatBoost for towing ships (R²=0.76). These results show that the proposed approach reduces reliance on external databases and avoids the error accumulation inherent to two-step indirect estimation (length → gross tonnage → power), thereby enabling direct estimation of main engine power from AIS.

요 약
Abstract
1. 서 론
2. 연구방법
    2.1 자료 수집
    2.2 데이터 전처리
    2.3 기계학습 모델링
3. 연구결과
    3.1 화물선
    3.2 탱커선
    3.3 여객선
    3.4 예인선
4. 고 찰
5. 결 론
사 사
Reference

• 유상록(전주대학교 인공지능학과 교수) | Sang-Lok Yoo (Professor, Department of Artificial Intelligence, Jeonju University, Jeonju, 55069, Korea)
• 조득재(선박해양플랜트연구소 책임연구원) | Deuk-Jae Cho (Principal researcher, Korea Research Institute of Ships & Ocean Engineering, Daejeon, 34103, Korea)
• 양영훈(선박해양플랜트연구소 책임연구원) | Young-Hoon Yang (Principal researcher, Korea Research Institute of Ships & Ocean Engineering, Daejeon, 34103, Korea) Corresponding author