論文の概要: Improving Maritime Traffic Emission Estimations on Missing Data with CRBMs

• arxiv url: http://arxiv.org/abs/2009.03001v2
• Date: Thu, 10 Sep 2020 09:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:12:45.542066
• Title: Improving Maritime Traffic Emission Estimations on Missing Data with CRBMs
• Title（参考訳）: CRBMによる欠測データによる海上交通量推定の改善
• Authors: Alberto Gutierrez-Torre, Josep Ll. Berral, David Buchaca, Marc Guevara, Albert Soret, David Carrera
• Abstract要約: 海上交通の排出は、沿岸都市の大気汚染に大きく影響するため、政府にとって大きな関心事である。 バルセロナ・スーパーコンピュータ・センターのCALIOPEのような最先端の複合システムは、空気品質のモデル化に使われている。 本研究では,条件付き制限付きボルツマンマシン(CRBM)と機械学習手法を用いた船舶データ処理手法を提案する。
• 参考スコア（独自算出の注目度）: 1.6311150636417262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maritime traffic emissions are a major concern to governments as they heavily impact the Air Quality in coastal cities. Ships use the Automatic Identification System (AIS) to continuously report position and speed among other features, and therefore this data is suitable to be used to estimate emissions, if it is combined with engine data. However, important ship features are often inaccurate or missing. State-of-the-art complex systems, like CALIOPE at the Barcelona Supercomputing Center, are used to model Air Quality. These systems can benefit from AIS based emission models as they are very precise in positioning the pollution. Unfortunately, these models are sensitive to missing or corrupted data, and therefore they need data curation techniques to significantly improve the estimation accuracy. In this work, we propose a methodology for treating ship data using Conditional Restricted Boltzmann Machines (CRBMs) plus machine learning methods to improve the quality of data passed to emission models. Results show that we can improve the default methods proposed to cover missing data. In our results, we observed that using our method the models boosted their accuracy to detect otherwise undetectable emissions. In particular, we used a real data-set of AIS data, provided by the Spanish Port Authority, to estimate that thanks to our method, the model was able to detect 45% of additional emissions, of additional emissions, representing 152 tonnes of pollutants per week in Barcelona and propose new features that may enhance emission modeling.
• Abstract（参考訳）: 海上交通の排出は、沿岸都市の空気質に大きな影響を与えるため、政府にとって大きな関心事である。 船舶は自動識別システム(AIS)を用いて、他の特徴のうちの位置と速度を連続的に報告するので、エンジンデータと組み合わせた場合、このデータは排出を推定するのに適している。 しかし、重要な船体の特徴はしばしば不正確または欠落している。 バルセロナ・スーパーコンピュータセンターのCALIOPEのような最先端の複合システムは、空気品質のモデル化に使われている。 これらのシステムは、汚染の位置を非常に正確に決定できるため、aisベースの排出モデルから恩恵を受けることができる。 残念ながら、これらのモデルは欠落または破損したデータに敏感であるため、推定精度を大幅に改善するためにデータキュレーション技術が必要である。 本研究では,条件付き制限ボルツマンマシン (crbms) と,エミッションモデルに渡されるデータの品質向上のための機械学習手法を用いて船舶データを処理する手法を提案する。 その結果、欠落データをカバーするために提案するデフォルトメソッドを改善できることがわかった。 その結果,本手法を用いることで,検出不能な放出を検出する精度が向上した。 特にスペイン港湾公社が提供するaisデータの実際のデータセットを用いて、この手法により、バルセロナで週に152トンの汚染物質を表わす追加排出量の45%を検出でき、排出モデリングを強化する可能性のある新機能を提案していると推定した。

関連論文リスト

• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Vehicle Emissions Prediction with Physics-Aware AI Models: Preliminary Results [3.7539433163922826]
  本稿では,車載診断(obd)データセットと物理に基づく排出予測モデルを用いて,車両排出を予測するai(artificial intelligence)手法の開発を目標とする。 提案手法は,非AI低階物理モデルよりも予測精度が約65%向上し,ベースラインモデルよりも約35%正確である。
  論文  参考訳（メタデータ） (2021-05-02T01:52:59Z)
• Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
  我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。 本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。 本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。