항공기는 여러 비행단계를 거쳐 운항을 시작하고 종료한다. 운항 중 안전사고는 주로 착륙 단계에서 발생하며, 이는 이전 접근 단계에서의 영향을 받을 수 있다. 따라서 접근 단계 중 발생할 수 있는 최종접근경로 과이탈 현상에 대한 연구를 진행하였다. 최종접근경로 과이탈이 발생하면 Glideslope 편차나 Localizer 편차와 같은 불안전 접근을 유래할 수 있고, 나아가 복행이나 경착륙 같은 심각한 안전문제로 이어질 수 있다. 본 논문에서는 최종접근경로 과이탈에 대해 분석하고, 이를 이용하여 과이탈을 예측하고자 한다.
최종접근경로 과이탈을 분석하기 위해 ADS-B 항적 데이터를 사용하는 과이탈 산출 알고리즘을 개발하였고 이를 이용하여 과이탈을 산출하였다. 산출된 결과는 지상속도, 바람 성분, 클러스터링을 활용하여 분석하였다. 항적 데이터에는 바람에 관한 정보가 포함되어 있지 않기 때문에 기상청에서 제공하는 KLAPS 기상데이터를 활용하였으며, 바람 정보를 추출하기위해 기상 데이터를 전처리하고 항적데이터와 결합하는 과정을 진행하였다. 클러스터링을 활용한 분석은 이전 김해공항을 대상으로 실행한 연구결과와 과이탈을 비교하여 분석을 진행하였다. 분석 결과 접근 구간에서 과이탈이 발생한 항공기의 지상속도가 더 큰 것을 확인했으며, 측풍 성분과 배풍 성분의 속도가 증가함에 따라 과이탈이 증가하는 경향을 확인였고, 특정 군집에서 과이탈 비율이 매우 큰 것을 확인하였다.
최종접근경로 과이탈을 예측하기 위해 머신러닝 기법 중 심층 신경망 기법을 사용하였다. 심층 신경망의 입력 값으로는 과이탈에 영향을 미치는 지상속도, 측풍 속도, 배풍 속도, 클러스터링 결과가 사용되었으며, 과이탈 발생 비율이 출력되도록 모델을 구성하였다. 2019년 김해공항에서 과이탈이 발생하지 않은 항공기와 과이탈이 발생한 항공기 중 각각 무작위 90%를 선택하여 학습을 수행하였고, 나머지 10% 항적의 예측을 시도하였다. 예측 결과와 실제 결과를 비교한 결과 경향성을 따라가긴 하지만 두 값의 차이가 커, 모델을 보완할 필요가 있다.