Ⅰ. 서 론
제주국제공항은 대한민국 제주특별자치도 제주시 용담2동, 도두동 일대에 위치한 국제공항으로 국내 주요 공항 중에서 인천국제공항 다음으로 이용객이 많은 공항이다. 1958년 1월 제주비행장으로 정식 설립된 이래, 1968년 제주국제공항으로 승격되었고, Table 1 및 Fig. 1과 같이 2013년에 연간 이용객 2천만 명, 2019년에 3천만 명을 넘어서는 등 최근 빠른 속도로 수요 증가를 경험하고 있다. 특히 2009년 이미 국내선 승객의 경우 김포국제공항을 제치고 국내 공항 중 가장 많은 국내선 승객 이용률을 기록하였으며, 화물 수송량도 꾸준히 증가하고 있는 추세이다. 비록 코로나 19사태로 인하여 일시적으로 승객 수송량의 감소를 보이고 있으나 중, 장기적인 관점에서 볼 때 승객 및 화물 운송의 지속적인 증가가 예상되고 있다.
제주국제공항의 경우 두 개의 활주로가 있으나 남북 방향 활주로(6,234 FT)는 길이가 짧아 소형 항공기의 이용만 가능하고, 주 활주로인 동서 방향의 활주로(10,433 FT)는 제주도의 풍향이 주로 남동, 북서 방향임을 고려할 때 계절성이 강한 측풍(cross wind)과 저고도 돌풍(low level wind shear)으로 항공기 운항에 어려움이 상존하고 있다. 이와 더불어 협소한 주기장 지역(ramp area)으로 인하여 국제민간항공기구(International Civil Aviation Organization, ICAO)2) 기준 날개폭 65m 이상 F급 대형 항공기의 운항에 제약이 있다.
이러한 공항 주변을 둘러싸고 있는 자연적 환경과 공항 활주로, 유도로 등 공항 시설의 물리적 배치에 의한 미래 확장성의 제약은 향후 항공기 운항의 비약적 증가에 따라 예측되고 있는 제주국제공항 수용량의 포화는 물론 계절적으로 수시로 발생하는 악기상에 따른 지연 초래와 같은 부정적인 영향으로 항공기 운항 지연이 더욱 가중될 것으로 예상되고 있다.
최근 국적 저비용항공사의 집중적인 취항으로 인하여 수용량의 요구가 비약적으로 증가하고 있는 제주국제공항은 지연도 정비례로 증가하고 있으며, 지연율도 전체 운항 편수의 13∼22%(2015-2019년 한국공항공사 자료 기준)에 달할 정도로 정시 운항에 부정적 영향을 미치고 있고, 이러한 지연의 원인은 Table 2와 같이 공항기상, 항공기 연결 및 정비, 여객 처리, 복합원인, 기타 등으로 분석되고 있다. 이 중 운항 기상환경과 관련된 지연은 그 비중과 횟수가 점차 증가하는 추세이다.
전 세계적인 기후변화로 인한 기상 현상의 변화는 제주국제공항의 항공기 지연에도 영향을 미치고 있고, 그 빈도와 심도가 점점 예측하기 힘든 형태로 나타나고 있어 승객 및 화물 화주들의 피해가 점차 증가하고 있는 추세이다. 이에 따라 취항 항공사 및 공항 당국의 지연에 대비한 신속한 대응책이 요구되고 있으며, 특히 급변하는 기상 현상에 따른 지연 예측 프로그램 개발의 중요성이 절실히 요구되고 있다.
본 연구의 목적은 제주국제공항의 최근 5년(2015- 2019년)간의 운항 및 기상 DATA의 통계학적 분석을 통하여 기상요인과 운항 지연의 연관성을 분석하고, 머신러닝(machine learning) 기법을 활용하여 기상요인을 고려한 운항 지연 예측모형을 개발하는 데 있다.
본 연구에서는 제주국제공항의 최근 5년간(2015- 2019)의 운항 및 기상 DATA 분석을 통하여 제주 기상의 계절적, 특징적 FACTOR를 분석, 고찰하고 그 결과를 활용하여 머신러닝 기반의 지연 예측모형으로 구축하였다. 구축된 예측모형은 악기상이 예상되는 날의 지연 여부를 예측하고, 이를 토대로 운항 기재변경, 운항 스케줄 조정 등의 정책적 대응 방법을 통해 항공사의 지연 최소화 및 공항 운영의 효율성 확보에 도움을 주고자 한다.
본 연구의 공간적 범위는 제주국제공항이며, 시간적 범위는 코로나 19로 인한 항공 교통량의 왜곡이 생긴 2020년을 제외한 최근 5년(2015-2019년)간으로 설정하였다. 연구의 내용적 범위는 제주공항 출발 항공기 총 422,218편에 대해 최근 제안된 항공기 운항 지연 기준안을 적용하여, 지연의 주요 원인 중 하나인 기상 관련 지연 여부 판별 및 예측 모델(prediction model) 구성으로 제한하여 진행하였다.
항공 기상청을 통해 수집된 기상 분석 전문(meteorological terminal air report, METAR) 내용 중 주요 변수 중 7가지를 선정하여 지연과의 상관관계를 분석하였고, TS(thunderstorm), WS(wind shear)의 유무에 따른 지연 여부를 분석하였다. 분석에 사용한 TOOL은 PYTHON 프로그램이 사용되었으며, 주어진 DATA들의 분석 기법은 머신러닝 기법 중 지도 학습(supervised learning) 분야의 랜덤 포레스트 분류(random forest classification) 기법을 적용하였다.
Ⅱ. 본 론
본 연구의 핵심적인 대상인 항공기 운항 지연의 국제적 기준은 <운항 시각표+15분>을 기준으로 지연 여부를 판단하여 통계치를 산정하고 있다. 이와는 달리, 국내에서는 비행 계획서상의 운항 시간에서 이, 착륙 시간을 기준으로 국내선은 30분 초과, 국제선은 1시간 초과한 경우 지연으로 간주하여 통계를 작성3)하고 있다. 한편, 항공사의 정시 운항 기준은 항공사에 따라 스케줄 출발시각 대비 0분, 5분 및 15분 이내 출발 시 정시 운항으로 간주하는 등 자체 기준을 설정하여 운영하고 있다. Ryu(2008)는 미국 연방항공청(Federal Aviation Administration, FAA)4) 기준을 반영하여 출발 정시율은 <STD+15분> 이내, 도착 정시율은 <STA +15분> 이내를 기준으로 연구를 수행하였다. 미국의 경우 주요 항공사들로부터 지연 원인을 포함한 운항 자료를 접수하여 매월 미국 교통부(Department of Transportation, DOT) 산하기관인 교통 통계국(Bureau of Transportation Statistics, BTS)을 통해서 통계를 공시하고 있다.
그러나, 각 지연의 기준을 살펴보면 실제 출발시각(actual time of departure, ATD)과 실제 도착시각(actual time of arrival, ATA)의 기준이 상이하다 (Kim et al., 2019). 예컨대, 우리나라 항공통계는 출발 항공기가 활주로에서 이륙 후, 감시레이더에 최초로 포착되는 시각을 기준으로, 항공사는 항공기가 주기장에서 이동을 시작하는 시각(actual off-block time, AOBT)을 기준으로, 미국 연방항공청은 항공기가 브레이크를 해제(release)하는 시각(taxi-out time)을 기준으로 실제 출발시각을 기록한다. 또한, 도착 항공기에 대해 우리나라 항공통계는 항공기가 활주로에 접지하는 시각을, 항공사는 항공기가 주기장에 도착하는 시각(actual in-block time, AIBT)을 기준으로, 미국 연방항공청은 지상주행 시각(taxi-in time)을 기준으로 실제 도착시각을 적용하고 있다.
최근 컴퓨터 성능의 비약적인 발전과 함께 지속적으로 진화하고 있는 분야인 인공지능(artificial intelligence, AI)5)은 인간의 지능으로 할 수 있는 사고, 학습, 자기 계발 등을 컴퓨터가 학습할 수 있게 하는 방법을 연구하는 컴퓨터공학 및 정보 기술의 한 분야이다. 즉, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 말한다.
머신러닝6)(또는 기계학습)이란 컴퓨터 과학 중 인공지능의 한 분야로 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이다. 머신러닝은 경험적 데이터를 기반으로 학습을 하고 예측을 수행하며 스스로 성능을 향상하는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 엄격하게 정해진 정적인 프로그램 명령을 수행하는 것보다는 입력 데이터를 기반으로 예측이나 결정을 도출하기 위해 특정한 모델을 구축하는 방식을 취한다. 실제로 인간이 프로그래밍을 통해 필요한 모든 단계를 설정하는 것보다 기계가 자체 알고리즘을 개발하도록 돕는 것이 더 효과적이다. 머신러닝은 기존에 사용된 알고리즘들로 개발하기 어렵거나 실행 불가능한 이메일 필터링 및 컴퓨터 비전과 같은 다양한 애플리케이션에서 사용되고 있다. 머신러닝은 학습 시스템에서 사용할 수 있는 “신호” 또는 “피드백”의 특성에 따라 3가지 유형으로 구분된다.
Fig. 2는 결정 나무(decision tree)의 개념을 도식화한 것으로 노드와 분기로 구성된 순서도(flow chart)와 같은 구조로 이루어져 있다. 각 노드에서 입력 변수 중 하나를 기반으로 데이터 분할이 수행되고, 두 개 이상의 분기를 출력으로 생성한다. 다가오는 노드에서 점점 더 많은 분할이 이루어지고 원본 데이터를 분할 하기 위해 점점 더 많은 분기가 생성된다. 이것은 모든 또는 거의 모든 데이터가 동일한 클래스에 속하고 더 이상의 분할 또는 분기가 불가능한 노드가 생성될 때까지 계속된다.
전체 과정은 나무와 같은 구조를 생성한다. 첫 번째 분할 노드를 루트 노드(root node), 중간 노드를 내부 노드(split node), 끝 노드를 종단 노드(leaf node)라고 한다. 종단 노드는 분류(CLASS)의 LABEL을 의미하며, 규칙에 따라 루트에서 종단 노드까지의 경로가 생성된다.
랜덤 포레스트 분류 알고리즘은 지도학습의 분류 문제를 해결하기 위한 머신러닝 모형 중 하나로서 의사 결정 나무 모형의 진화된 버전이라고 할 수 있다. 머신러닝에서 랜덤 포레스트 모형이란 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, Fig. 3과 같이 훈련 과정에서 구성한 다수의 결정 나무로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한다. 랜덤 포레스트 모형의 장점은 많은 결정 나무가 하나의 단일 결정 나무보다 더 정확한 예측을 할 수 있다는 것이다. 실제로 랜덤 포레스트 분류 알고리즘은 N개의 서로 다르게 훈련된 결정 나무를 구축하고 이를 병합하여 더 정확하고 안정적인 예측을 얻는 감독된 분류 알고리즘이다.
항공기 지연의 정의에 대한 기존 문헌 고찰을 통해, 본 연구에서는 항공기 지연 중 출발지연을 Table 3과 같이 정의하였다. 항공기가 이륙하는 시각을 출발에 대한 기준시각으로 제시하고, 출발 항공기의 지상 주행(taxi-out) 시간(15분)을 고려하여 항공기 지연 여부의 판별기준(30분)을 설정하였다. 또한, 머신러닝 기법 중 랜덤 포레스트 분류 알고리즘을 사용하였는데, 이는 랜덤 포레스트 모형이 다른 모형과 비교할 때 다량의 데이터를 안정되게 처리할 수 있기 때문이다.
| 지연기준(분) | 출발시각 기준 |
|---|---|
| ATD-STD ≥ 30 | 활주로 이륙시각 |
본 연구에 활용된 자료는 크게 1) 제주공항 2015- 2019년 항공기 운항 정보와 2) 2015-2019년 항공 기상 통계자료이다. 항공기 운항 관련 정보는 국토교통부 항공정보시스템(UBIKAIS)에서 제공하는 항공기 운항 및 비행정보시스템(Flight Operation Information System, FOIS) 자료를 사용하였으며, 항공 기상 통계자료는 항공 기상청에서 제공하는 METAR 및 SPECI (SPECIal Reports) 자료를 사용하였다.
FOIS 자료는 항공기 호출부호(callsign), 항공기 기종(aircraft type), 항공기 등록 번호(aircraft registration number), 운항 스케줄 상의 출, 도착공항(origin/ destination airports), 운항 날짜(date), 운항 스케줄 상의 출, 도착시각(scheduled time of departure/ arrival), 실제 출, 도착시각(actual time of departure/ arrival) 등의 정보를 포함하고 있다. METAR 자료는 협정 세계시각(UTC time), 풍향(wind direction), 풍속(wind speed), 시정(visibility), 일기 현상(significant weather), 운고(cloud height), 운량(cloud amount), 기온(temperature), 기압(atmosphere) 등의 정보를 포함한다. Fig. 4와 Fig. 5는 각각 항공기 운항 정보와 항공 기상 통계자료의 예시를 보여준다.
신뢰성 있는 연구결과를 도출하기 위해서는 입력자료의 정확성이 요구된다. FOIS 자료의 경우 일부 정보가 누락 및 신뢰도가 낮은 항공편의 기록은 분석에서 제외하였다. 데이터 처리 과정을 거친 결과 얻은 2015- 2019년간 제주공항 출발 항공편은 총 426,704편에서 4,486편이 제거된 총 422,218편이다. 또한, METAR 자료에서 일부 누락된 시간대의 데이터에 대해 해당 시간대의 직전 또는 직후 데이터를 사용하였다.
Fig. 4 및 5는 각각 전처리 전의 FOIS와 METAR 자료를 예시한 것으로 전처리 과정을 거친 후 FOIS와 METAR 자료를 날짜(date)와 시각(hour)에 대해 병합하였다. Table 4는 변수(feature)와 각 변수의 형태를 정리한 것이다. 일(day of the month), 요일(day of the week), 시각(hour of the day), 풍향, 풍속, 시정(visibility), 일기현상, 운고, 운량, 그리고 출력 변수인 지연 여부(“0” 또는 “1”)를 포함한다.
본 연구에서는 제주공항에서 출발하는 항공편의 지연 여부를 예측하기 위해 FOIS 자료와 METAR 자료를 사용하여 항공기 출발지연 예측모형을 구축하였다. 모형 구축과정은 1) 제주공항 월별 지연 비율 분석을 통한 분석 기간 설정 2) 선정한 분석 기간에 대해 지연 유발 원인 분석 3) PYTHON 프로그래밍 툴을 활용한 랜덤 포레스트 예측모형 구축 4) 예측모형의 정확도 평가의 순서로 이루어져 있다. Fig. 6은 모형을 구축과정을 순서도 형태로 표현한 것이다.
연구 대상 기간은 2015년 1월부터 2019년 12월까지로 제주공항의 월별 지연 항공기 편수와 지연율을 분석하였고, 분석을 위한 FEATURE는 마찬가지로 동 기간 동안의 기상 정보 증 일(day of the month), 요일(day of the week), 시각(hour of the day), 풍향, 풍속, 시정, 일기현상, 운고, 운량, 그리고 출력 변수인 지연 여부 등이다.
Fig. 7은 기상 DATA를 기준으로 출발지연과 기상변수 간의 상관관계를 분석한 결과이다. 세로축과 가로축의 year, month, day, hour, STD, ATD, WD, WSPD(wind speed), GUST, VIS, WS_RWY(wind shear), TS(thunder storm)는 출발지연에 영향을 주는 독립변수(원인)를 나타낸 것이고, delay 30은 출발항공기의 지연 여부를 나타내는 종속변수(결과)이다. 두 변수가 교차하는 점의 값은 해당 변수들의 상관계수이다. 이때, ‘+1( -1)’ 값은 두 변수 사이에 완벽한 양(음)의 상관관계가 있음을 의미하고, 0 값은 두 변수 사이에 상관이 없음을 의미한다. 분석결과 WSPD, WS_RWY, GUST 변수는 서로 어느 정도 상관관계가 있음을 알 수 있었으며, ATD와 출발지연 간에도 어느 정도 상관관계가 있음을 파악할 수 있다.
연구 대상 총 422,218편 중 지연 운항된 편수는 104,593편으로 분석되었으며, 이는 대상 편수의 약 24.8%에 해당한다. Fig. 8 및 9는 이를 년도 별, 개별 달로 분석하여 5년간 비율과 편수로 분류하여 표로 도식화하여 정리한 것이다. 분석 결과, 계절, 년도, 월 등 기준에 따라 일정한 비율이나 정비례 관계 등 지연을 설명할 수 있는 근거는 찾기 어려웠다. 다만 특징적으로 2016년은 전년 대비 LCC 항공사의 취항 편수가 급증함에 따라 지연율도 동반 상승하였으며, 2017년 고속탈출유도로(high speed taxiway)의 건설과 함께 확보된 공항 효율성에 따라 이후 연도의 지연율은 다소 감소 추세를 보였다.
비, 눈 등으로 인한 미끄러운 활주로에서는 활주로 마찰 계수가 낮다. 불충분한 활주로 마찰력은 항공기의 활주로 과주(overrun) 및 이탈의 주된 요인이며, 활주로 표면의 마찰력이 감소하면 측풍 허용기준이 감소한다. 또한, 활주로의 제동능력의 감소로 인하여 항공기의 활주로에서의 머물게 되는 시간 즉, ROT(runway occupation time)가 늘어나게 되어 전체적인 활주로 수용량에도 부정적인 영향을 미친다. 활주로 마찰 계수는 항공기 운항의 정규성과 효율성에 매우 중요하다. 강수 현상별로 지연과의 상관관계를 분석하면 총 지연 출발된 104,593편 중 실질적으로 강수 현상과 관련된 출발지연은 총 16,878편으로 Table 5와 같이 적지 않은 영향을 미치는 것으로 분석되었다.
시정 기준 1,000M 이하, 즉 FG 수준을 하회하는 상황에서 출발한 항공편수는 5년간 총 출발편의 미미한 수준인 919편이고, 이 중 지연 운항된 편은 513편으로 조사되었다. 제주국제공항의 자연적인 운항환경을 고려하면 실질적으로 저시정 상황에서 운항되는 경우는 상대적으로 미미한 수준이고, 기타 BR, DU, HZ 등의 상황을 고려하더라도 시정과 관계된 기상 요인이 실질적인 지연의 주요한 원인으로 보기는 어려운 것으로 분석되었다. 그럼에도 불구하고 저시정 상황에서 출발한 919편 가운데 513편(55.8%)이 지연되어 시정은 주의를 요구하는 기상 요소로 분석되었다.
본 연구를 통하여 제주국제공항의 지연에 가장 큰 영향을 미치는 기상요인이 바람과 관련된 요인임이 파악되었고, 이를 세분화하여 풍속(wind speed), 순간 돌풍(gust), 급변풍(windshear) & 뇌전(thunderstorm), 측풍(crosswind) 등의 부문으로 분류하여 아래와 같이 항목별로 분석하여 보았다. 제주국제공항에서의 바람의 방향과 지연과의 상관관계를 일률적으로 분석하기는 매우 어려웠으며, 또한 연구 대상 기간 동안 월별 풍향과 풍속 분석에서도 동절기를 제외하고는 일정한 경향성을 발견하기가 어려워 월별로 분류하여 Fig. 10-14와 같이 그림으로 표시하였다.
연구결과, 제주국제공항의 주요 활주로인 동, 서 활주로(RWY 07, 25) 기준으로 항공기 운항이 풍속 기준 10 KT 이상 불고 있는 상태에서 출발 운항된 총 134,737편 중 40,038편이 출발지연 운항된 것으로 파악되었고, 특히 15 KT 이상의 바람이 부는 상황에서 출발 운항한 55,488편 중 19,098편이 지연 운항된 것으로 연구되어 전체 운항 지연 편수 104,593편 중 다른 지연 요소들보다 제주국제공항의 기상 요소 증 가장 큰 영향을 끼치는 것으로 분석되었다.
항공 기상청에 따르면 평균 풍속에 비해서 풍속이 일시적으로 갑자기 커지는 바람으로 일정 시간내(보통 10분간)에 있어서 변동하는 풍속(순간 풍속)의 평균 값과의 편차(보통 2분 이내의 변화)를 돌풍(GUST)이라 한다고 정의하고 있다. 즉, 평균 풍속보다 10 KT 이상의 차이가 있으며, 순간 최대 풍속이 17 KT 이상의 강풍일 경우 지속시간이 초 단위일 때를 의미하며, 기상 전문에 G(GUST)로 표현된다.
GUST 상황에서 출발한 항공편은 총 11,325편이며 이 가운데 4,326편(38.2%)이 지연 출발한 것으로 분석되었다. 이를 토대로, GUST 유무가 출발지연에 상당한 영향을 미치는 것으로 판단할 수 있다.
활주로 표면으로부터 고도 1,600 FT(500M) 사이로 접근 또는 이륙하거나 선회 접근 중인 항공기 또는 이, 착륙을 위해 주행 중인 항공기에 영향을 줄 수 있는 급변풍(windshear) 그리고 발달한 적란운에서 구름과 구름 사이 또는 구름과 지면 사이의 방전으로 나타나며 소낙성 비를 동반하는 경우가 많고 번개와 천둥을 동반하는 급격한 방전 현상으로 생기는 뇌전(thunderstorm)은 제주국제공항에서 드물지 않게 발생하는 대표적인 악기상이라 할 수 있다.
(연구 대상 전체 출발 편 422,218편 가운데) 뇌전 상황에서 운항한 항공편은 432편이었으며 이 가운데 179편(41.4%)이 뇌전에 의한 지연인 것으로 분석되었다. 또한, 급변풍의 경우도 36,214편이 급변풍 상황에서 출발하였으며, 이 가운데 12,780편(35.3%)이 급변풍에 의해 출발 지연한 것으로 분석되었다.
국제민간항공기구(ICAO) 발간 ANNEX 14 기준에 따르면 1,500M 이상 활주로를 설치 운영하는 공항은 측풍 성분이 20 KT를 초과하는 바람이 공항 운영시간의 95%를 초과하지 않아야 한다고 규정하고 있을 정도로 측풍은 공항 활주로 방향 설계 및 항공기 안전 운항에 매우 중요한 요소로 인식되고 있다. 지형적, 지리적 영향으로 제주국제공항은 계절적 배풍, 측풍이 강하게 부는 날이 많고 그 속도도 항공기 운항의 제한치를 위협하는 수준에 이를 정도로 운항에 어려움이 많은 공항이다.
제주국제공항의 주요 활주로인 동, 서 활주로 (RWY 07, 25) 기준으로 측풍이 불고 있고 그 풍속이 10 KT 이상이 되는 상태에서 출발된 총 24,113편 중 5,014편이 출발 지연 운항된 것으로 파악되어 다른 기상 요소들보다 제주국제공항의 기상 요소 증 가장 큰 영향을 끼치는 것으로 분석되었다.
모형의 정확성을 테스트하기 위해 처음에 테스트 목적으로 예약된 원본 데이터의 20%를 랜덤 포레스트 분류기를 통해 구축된 모형에 입력 데이터로 사용하였다. 모형의 정확도 테스트 결과, 5년간의 데이터에 대해 약 76.8%의 정확도를 확보하였다.
또한, 오차 행렬의 분석을 통해 모형의 정확도를 얻을 수 있다. 왼쪽 위 true negative 값과 오른쪽 아래 true positive 값이 분류의 성능을 나타낸다. Fig. 17은 오차 행렬(confusion matrix)을 보면 출력의 첫 번째 열은 실제로 정시에 출발한 항공편을 나타낸다. 해당 열의 첫 번째 행은 정시에 도착한 것으로 올바르게 예측된 항공편(true negative)을 보여주고, 두 번째 행은 지연 도착으로 예측된 항공편(false negative)을 보여준다. 출력의 두 번째 열은 실제로 지연 도착한 항공편을 나타낸다. 해당 열의 첫 번째 행은 정시에 도착한 것으로 잘못 예측된 항공편(false positive)을 보여주고, 두 번째 행은 지연 도착으로 예측된 항공편(true positive)을 보여준다.
Fig. 18은 ROC 곡선(receiver operating characteristics curve, ROC curve)은 모든 머신러닝 분류 모형에서 모형의 성능을 보여주는 그래프이다. ROC 곡선의 x-축은 false positive rate를 보여주고, y-축은 true positive rate를 보여준다. false positive rate는 실제로 정시에 도착한 항공편을 지연 도착으로 잘못 예측한 것이고 true positive rate는 실제로 지연 도착한 항공편에 대해 지연 도착한 것으로 올바르게 예측한 것이다. 그림을 보면 그래프 중앙의 점선은 올바르게 예측할 확률이 50-50임을 나타내고, ROC 곡선은 모형의 정확도를 보여준다. ROC 곡선 분석 결과 본 연구에서 제시한 모형은 약 74.02%의 정확성을 가진다.
Ⅲ. 결 론
본 연구에서는 2015넌 1월부터 2019년 12월까지 5년간의 제주국제공항의 기상 및 운항 DATA를 기준으로 기상과 지연 간의 상관관계를 분석하고 이를 기준으로 하여 제주국제공항의 기상 현상의 양상을 심도 있게 분석하고 이를 바탕으로 출발 지연 예측 프로그램을 구축하는 것을 연구의 목적으로 하였다. 연구 결과 전체 대상 출발 운항 편수 422,218편 중 상당 부분(24.8%)인 104,593편이 지연 운항되었으며, 이 중 기상이 직접적인 원인이거나 기상 현상과 연관되어 지연된 편수는 30,350편(강수: 16,878편, 시정: 513편, 급변풍: 12,780편, 뇌전: 179편)으로 전체 출발 지연의 약 29.0%를 점하고 있는 것으로 분석되었고 전체적으로 보아 출발 지연된 편수의 상당 부분이 기상 외의 다른 원인인 항공기 연결 등의 이유로 지연이 초래되고 있는 것으로 추정, 분석되었다. 그럼에도 불구하고 계절별로 변화의 빈도와 심도가 매우 다양한 형태로 나타나는 제주국제공항의 기상과 이와 연관된 지연의 중요성을 근거로 누적된 기상과 운항 DATA를 최첨단의 머신러닝 기법의 하나인 랜덤 포레스트 모형을 적용하여 분석함으로써 제주국제공항의 출발 지연 예측모형을 개발하는 성과를 이루었다. 본 연구를 통해 최종 개발된 출발지연 예측모형은 개별 출발 항공편의 지연 여부를 예측할 수 있는 모형으로, 약 74% 정도의 정확성을 보이고 있다. 본 연구모형은 운항 당일 기상예보 자료를 입력자료로 활용하여 당일 제주공항 출발 항공편의 지연 여부를 예측할 수 있으며, 예측 결과는 제주공항 운영 효율성 향상에 기여할 수 있을 것으로 기대된다.
본 연구는 제주국제공항의 5년간의 기상 및 운항 DATA를 기준으로 첨단 머신러닝 기법을 이용하여 출발 편 운항 지연과 기상과의 상관관계의 분석, 그리고 출발 항공편 지연 예측 프로그램 개발에 중점을 둔 연구이다. 따라서 제주국제공항의 기상 변화에 따라 본 연구 결과를 활용함으로써 지연 예측 및 대응이 효과적으로 이루어질 것으로 기대할 수 있다. 그러나 이번 연구는 최근 5년간의 제한적인 기간 설정과 기상과 출발 항공편 지연에 국한된 연구로써 전체적인 제주국제공항의 지연의 원인을 분석하기에는 다소 아쉬움이 있었다. 제주국제공항 지연 원인의 상당 부분을 차지하는 기상 관련 DATA를 기준으로 하여 운항 DATA를 함께 분석함으로써 객관적이고 체계적으로 연구를 진행하였다는 데 큰 의미가 있으나 실질적으로 기상변수들과 출발 지연과의 뚜렷한 상관관계를 가진 큰 변수를 발견하기에는 다소 어려움이 있었다.
연구에 활용된 운항 FOIS DATA의 한계로 인하여 출발지 공항에서 이미 지연 출발 되었거나 제주국제공항에서 도착 지연으로 지연이 누적된 편과 목적지 공항 사정으로 제주공항에서 출발이 지연된 편을 구별하기가 어려워 순수한 의미의 제주출발 지연편과 기상과의 보다 정교한 분석 연구의 한계점이 있고, 제주국제공항을 기점으로 출, 도착하는 항공기의 대상 공항들의 FOIS DATA 확보를 통한 종합적인 지연 연구의 아쉬움이 있어 향후 추가적이고 기술적인 보완을 통해 제주국제공항의 지연 감소와 정시성 확보라는 정책적 대응을 위한 보다 심도 있는 연구가 수행되어야 할 것으로 생각된다. 그럼에도 불구하고 본 연구를 통하여 개별 기상변수 DATA를 분석하여 객관적인 경향성을 분석, 파악하여 시각화하였고, 향후 제주국제공항에서의 지연과 기상과의 상관관계 연구에 하나의 방향성을 제시한 것은 연구의 성과이고 또한 머신러닝이라는 첨단 기법을 사용하여 제주국제공항의 출발편 지연 예측 프로그램을 구축하였다는 것에 큰 의미가 있다고 할 수 있다.
또한, 이번 연구를 통하여 현재 제주국제공항은 최근 늘어난 운항 편수로 인하여 배분된 SLOT이 현실적으로 포화 상태이고 구조적인 항공기 연결에 의한 출, 도착 지연이 발생하고 있다는 사실을 발견할 수 있었으며, 향후 실질적인 연구를 통하여 항공사의 항공기 운항 PATTERN과 이로 인한 항공기 연결 관련 지연과 기상과의 상관관계를 종합적, 체계적인 연구의 틀에서 과학적으로 분석하여 출발지연뿐만 아니라 제주공항 출, 도착 지연의 심도 있는 원인 분석과 효율적 운영 방안 마련이 시급하다는 것이 이번 연구 과정을 통해 향후 과제로 대두되었다. 또한, 추가하여 공항 및 접근 절차의 효율성에 관한 복합적 연구의 필요성도 절실하게 대두되었다.
이번 연구에 활용한 최근 5년간의 운항 및 기상 DATA뿐만 아니라 향후 제주국제공항의 기상 및 운항 관련 BIG DATA를 활용한 체계적인 연구가 실행되어 항공기 운항과 지연 원인 간의 상관관계와 정책적 분석이 심도 있게 이루어진다면, 보다 효율적인 공항 운영을 통한 정시성 확보와 승객 불편 최소화에 기여할 것으로 기대된다.
