論文の概要: Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction

• arxiv url: http://arxiv.org/abs/2003.09785v1
• Date: Sun, 22 Mar 2020 02:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 05:23:27.786258
• Title: Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction
• Title（参考訳）: UAS瞬時密度予測のためのミッション対応時空間深層学習モデル
• Authors: Ziyi Zhao, Zhao Jin, Wentian Bai, Wentan Bai, Carlos Caicedo, M. Cenk Gursoy, Qinru Qiu
• Abstract要約: 制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.59465210252619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The number of daily sUAS operations in uncontrolled low altitude airspace is expected to reach into the millions in a few years. Therefore, UAS density prediction has become an emerging and challenging problem. In this paper, a deep learning-based UAS instantaneous density prediction model is presented. The model takes two types of data as input: 1) the historical density generated from the historical data, and 2) the future sUAS mission information. The architecture of our model contains four components: Historical Density Formulation module, UAS Mission Translation module, Mission Feature Extraction module, and Density Map Projection module. The training and testing data are generated by a python based simulator which is inspired by the multi-agent air traffic resource usage simulator (MATRUS) framework. The quality of prediction is measured by the correlation score and the Area Under the Receiver Operating Characteristics (AUROC) between the predicted value and simulated value. The experimental results demonstrate outstanding performance of the deep learning-based UAS density predictor. Compared to the baseline models, for simplified traffic scenario where no-fly zones and safe distance among sUASs are not considered, our model improves the prediction accuracy by more than 15.2% and its correlation score reaches 0.947. In a more realistic scenario, where the no-fly zone avoidance and the safe distance among sUASs are maintained using A* routing algorithm, our model can still achieve 0.823 correlation score. Meanwhile, the AUROC can reach 0.951 for the hot spot prediction.
• Abstract（参考訳）: 制御されていない低高度空域における日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 したがって、UAS密度予測は新しくて困難な問題となっている。 本稿では,深層学習に基づくUAS瞬時密度予測モデルを提案する。 モデルは入力として2種類のデータを取ります。 1)歴史データから得られた歴史的密度、及び 2)将来のsUASミッション情報。 本モデルのアーキテクチャには,履歴密度定式化モジュール,UASミッション翻訳モジュール,ミッション特徴抽出モジュール,密度マップ投影モジュールの4つのコンポーネントが含まれている。 トレーニングとテストデータは、マルチエージェントair traffic resource usage simulator(matrus)フレームワークにインスパイアされたpythonベースのシミュレータによって生成される。 予測値とシミュレーション値との間の相関スコアと受信者動作特性(AUROC)によって予測の質を測定する。 実験結果は,深層学習に基づくuas密度予測器の性能を示す。 ベースラインモデルと比較して,飛べないゾーンやsuass間の安全な距離を考慮しない簡易交通シナリオでは,予測精度が15.2%以上向上し,相関スコアは0.947に達した。 より現実的なシナリオでは、A*ルーティングアルゴリズムを用いて非フライゾーン回避とsUAS間の安全な距離を維持できるが、我々のモデルは0.823の相関スコアを達成できる。 一方、AUROCはホットスポット予測で0.951に達する。

関連論文リスト

• Density Estimation for Entry Guidance Problems using Deep Learning [0.0]
  長い短期記憶ニューラルネットワークは、エントリー車両で利用可能な測定値と、それが飛んでいる密度プロファイルの間のマッピングを学習するために訓練される。 訓練されたLSTMは、車両が飛行する密度プロファイルを予測し、既に飛行している密度プロファイルを再構築する。
  論文  参考訳（メタデータ） (2023-10-30T16:03:37Z)
• Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
  本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。 我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
  論文  参考訳（メタデータ） (2023-10-28T10:19:55Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
  本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。 以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-12T13:17:09Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• Towards Coupling Full-disk and Active Region-based Flare Prediction for Operational Space Weather Forecasting [0.5872014229110215]
  本稿では, 太陽フレア予測システムの訓練と展開を行うための新しい手法を提案する。 フルディスクモードでは、深層学習モデルを用いて全ディスクラインオブサイト磁気グラム上で予測を行う。 アクティブなリージョンベースモデルでは、各アクティブなリージョンに対して個別に予測が発行される。
  論文  参考訳（メタデータ） (2022-08-11T22:34:44Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• A windowed correlation based feature selection method to improve time series prediction of dengue fever cases [0.20072624123275526]
  予測性能の低さは、不適切なデータを持つ場所につながる可能性がある。 新しいフレームワークは、インシデントデータのウィンドウ化と時間シフト相関に基づくメトリクスの計算を行う。 繰り返しニューラルネットワークに基づく予測モデルは、平均33.6%の精度向上を達成している。
  論文  参考訳（メタデータ） (2021-04-21T00:28:28Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。