AISFlow: Boundary-Informed Flow Matching for Long-Term AIS Trajectory Imputation

Motivation

• Known: 기존 AIS 궤적 임퓨테이션은 선형/스플라인 보간, 운동학적 제약 기반 결정론적 재구성, 그리고 BRITS, SAITS 같은 딥러닝 시퀀스 모델, CSDI 등 diffusion 기반 생성모델로 발전해 왔으며, 특히 diffusion 기반 방법은 긴 결측 구간에서 발생하는 다중 plausible 궤적 문제를 확률적으로 다룰 수 있다는 장점이 있다.
• Gap: 그러나 diffusion 기반 방법은 의미적으로 구조가 없는 Gaussian noise에서 시작해 다수의 denoising step을 거쳐야 하므로 추론 비용이 크고, noise에서 물리적으로 타당한 선박 궤적으로의 변환을 학습해야 하는 어려움이 있으며, 결정론적 방법들은 단일 출력만 제공해 안전-critical 의사결정에 필요한 보정된 불확실성 추정을 제공하지 못한다.
• Why: AIS 궤적의 긴 결측 구간은 해상 교통 감시, 충돌 위험 평가, 불법 해상 활동 탐지 등 안전-critical 응용에 직접적인 영향을 미치므로, 정확하면서도 빠르고 불확실성까지 보정된 임퓨테이션 방법은 실제 해상 운영 환경에 즉시 적용 가능한 실질적 가치를 지닌다.
• Approach: AISFlow는 gap 전후 경계 상태로부터 구조화된 source distribution을 구성하고, 이로부터 결측 궤적으로의 ODE 기반 전달(transport)을 학습하는 conditional flow matching 모델이며, endpoint displacement, SOG/COG, gap length, heading variation 등 경계 유래 운동학적 단서를 조건으로 활용한다.

Achievement

Figure 3. Qualitative examples of long-gap AIS trajectory imputation. Rows correspond to 6h, 8h, and 10h gap cases from

1. 정확도와 속도의 동시 달성: 실제 AIS 데이터셋 실험에서 AISFlow는 state-of-the-art 임퓨테이션 정확도를 유지하면서 diffusion 기반 baseline 대비 fixed-step solver에서 최대 317배, adaptive Dopri5 solver에서 9.25배 빠른 추론 속도를 달성했다.
2. 구조화된 source coupling 전략: 경계 정보 기반 source distribution에서 생성 전달을 시작하는 방식을 도입하여 noise-to-trajectory의 어려운 변환 학습 문제를 완화했다.
3. 불확실성 정량화 확장: ensemble sampling과 conformal calibration을 결합해 finite-sample marginal coverage를 갖는 보정된 예측 밴드를 제공하는 uncertainty-aware 임퓨테이션을 구현했다.

How

Figure 2. AISFlow pipeline. The model uses pre- and post-gap AIS observations to construct a boundary-informed source, e

• AIS 궤적을 상태 시퀀스 X = {s1,...,sT} (좌표, SOG, COG 포함)로 정의하고, 길이 L의 연속 결측 구간을 gap 전후 관측 xobs와 조건 변수 c(경계 좌표, 운동학적 속성, gap 지속시간)로 정형화
• pre-gap/post-gap 관측치로부터 구조화된 source distribution을 구성하여 diffusion의 비정형 Gaussian noise 대신 사용
• conditional flow matching을 통해 이 source에서 실제 결측 궤적 x1으로의 ODE 기반 transport를 학습(Lipman et al., 2023; Albergo et al., 2024 방식 응용)
• endpoint displacement, speed/course 정보, gap length, heading variation 등을 조건화(conditioning) 정보로 추가 투입해 궤적 연속성 개선
• 학습된 ODE를 few-step solver(Euler 등)로 풀어 빠른 샘플링을 수행하고, ensemble sampling과 conformal calibration을 결합해 CP95 등 보정된 불확실성 밴드 산출
• 실제 AIS 데이터셋에서 정확도와 추론 latency, calibration 성능(Figure 4, 5)을 diffusion 기반 baseline과 비교 평가

Originality

• diffusion 기반 접근이 지배적인 AIS 궤적 임퓨테이션 분야에 flow matching을 최초로 적용하고, 특히 임의의 Gaussian noise가 아닌 경계 관측치 기반의 구조화된 source distribution을 사용하는 structured source coupling을 제안
• 경계 유래 운동학적 정보(endpoint displacement, SOG/COG, heading variation, gap length)를 조건으로 명시적으로 통합하여 도메인 지식과 생성모델을 결합
• 점 추정 정확도뿐 아니라 conformal calibration 기반의 보정된 궤적 수준 불확실성 추정을 결합하여 안전-critical 응용에 적합한 형태로 확장

Limitation & Further Study

• 실험이 단일 real-world AIS 데이터셋에 국한되어 있어, 다양한 해역, 선종, 통신 환경에서의 일반화 가능성에 대한 검증이 추가로 필요함
• structured source distribution 구성 방식(gap 전후 상태로부터의 결합 방법)에 대한 구체적 알고리즘과 그 이론적 정당성(예: optimal transport coupling과의 관계)이 발췌 부분에서는 충분히 설명되지 않아 추가 분석이 요구됨
• 매우 긴 gap이나 극단적 기동(급격한 경로 이탈, 정박 등) 상황에서 boundary 정보만으로 multi-modal 궤적을 얼마나 잘 포착하는지에 대한 실패 사례 분석이 부족해 보임
• conformal calibration의 marginal coverage 보장이 개별 gap 길이별 conditional coverage로 확장될 수 있는지에 대한 후속 연구가 필요함

Evaluation

총평: diffusion 기반 임퓨테이션의 근본적 비효율성을 구조화된 source coupling이라는 간결한 아이디어로 해결하면서 정확도와 속도, 불확실성 정량화까지 균형있게 달성한 실용적이고 완성도 높은 연구이다.