최근 몇 년간 선박 밀도(vessel density)의 증가, 다양한 유형의 선박 출현, 그리고 실시간 데이터에 대한 필요성이 확대되면서 해상 교통 관리가 상당히 더 어려워졌다. 본 연구는 적층 앙상블 학습(stacked ensemble learning)과 클라우드-엣지 하이브리드화(cloud-edge hybridization)에 기반한 상황 인지형 프레임워크를 제시하며, 이를 통해 해상 교통 모니터링 및 제어 시스템을 향상시키고자 한다. 이 접근법은 메타 모델(meta-model)을 통한 선박 유형 분류를 포함하는 적층 앙상블 학습을 결합하고, 계산 효율성과 지연(delay) 최소화 간의 균형을 달성하기 위해 클라우드-엣지 아키텍처 개념을 활용한다. 엣지 계층은 이동 중 실시간 추론 및 상황 분석을 담당하는 반면, 클라우드 계층은 모델 학습과 다양한 출처로부터의 데이터를 통합하는 역할을 수행한다. 본 평가는 포괄적인 해상 선박 데이터셋을 사용하였으며, 최신 딥러닝 모델(VGG16, VGG19, DenseNet121, ResNet50)과 성능을 비교하였다. 실험 결과, 메타 모델을 포함한 적층 앙상블 학습은 기존 방식들보다 유의하게 우수했으며, 전체 정확도 0.98, 매크로 평균 정밀도(macro average precision) 0.97, 매크로 평균 재현율(macro average recall) 0.98, 그리고 F1-score 0.98을 달성하였다. ROC 및 PR 곡선 역시 매우 우수한 AUC 값을 보였는데, 거의 모든 선박 범주에서 AUC가 1.00에 가깝게 나타나 선박 간 구분 능력이 뛰어남을 시사한다. 또한 테스트 예측은 매우 정확하여, 대부분의 경우 선박 분류에 대한 신뢰도(confidence)가 99%를 초과하였다. 이러한 결과로부터 제안된 방법은 산업용 IoT 환경에서 실시간 해상 감시, 해군 방어 시스템, 그리고 자율 선박 교통 제어를 위한 견고성, 확장성, 효과성을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.