論文の概要: TrAISformer-A generative transformer for AIS trajectory prediction
- arxiv url: http://arxiv.org/abs/2109.03958v1
- Date: Wed, 8 Sep 2021 22:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-11 08:27:40.429337
- Title: TrAISformer-A generative transformer for AIS trajectory prediction
- Title（参考訳）: TrAISformer-AIS軌道予測のための生成変換器
- Authors: Duong Nguyen and Ronan Fablet
- Abstract要約: TrAISformerは,AIS(Automatic Identification System)観測による血管位置の予測が可能な,新しいディープラーニングアーキテクチャである。
高次元ベクトルにおけるAISデータの複雑な動きパターンを符号化し、変換器を適用して有用な長期相関関係を抽出する。
AISデータを用いた実験の結果,TrAISformerは最先端の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 8.48100411641928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling trajectory in general, and vessel trajectory in particular, is a
difficult task because of the multimodal and complex nature of motion data. In
this paper, we present TrAISformer-a novel deep learning architecture that can
forecast vessel positions using AIS (Automatic Identification System)
observations. We address the multimodality by introducing a discrete
representation of AIS data and re-frame the prediction, which is originally a
regression problem, as a classification problem. The model encodes complex
movement patterns in AIS data in high-dimensional vectors, then applies a
transformer to extract useful long-term correlations from sequences of those
embeddings to sample future vessel positions. Experimental results on real,
public AIS data demonstrate that TrAISformer significantly outperforms
state-of-the-art methods.
- Abstract（参考訳）: 一般的には軌道のモデル化,特に船体軌道のモデル化は,運動データのマルチモーダルで複雑な性質のため難しい作業である。
本稿では,AIS(Automatic Identification System)観測による血管位置の予測が可能な,新しいディープラーニングアーキテクチャTrAISformerを提案する。
本稿では,aisデータの離散表現を導入し,回帰問題である予測を分類問題として再枠組み化することで,マルチモーダリティに対処する。
モデルでは,高次元ベクトルにおけるAISデータの複雑な動きパターンを符号化し,それらの埋め込み配列から有用な長期相関関係を抽出するトランスフォーマーを適用した。
AISデータを用いた実験の結果,TrAISformerは最先端の手法よりも優れていた。
関連論文リスト
- DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。
ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。
最先端のモデルを精度、効率、堅牢性で上回る。
論文 参考訳（メタデータ） (2024-10-19T06:59:39Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - A Multi-Channel Spatial-Temporal Transformer Model for Traffic Flow Forecasting [0.0]
交通流予測のための多チャンネル時空間変圧器モデルを提案する。
トラフィックデータの異なるチャネルから結果を抽出することにより、予測の精度を向上させる。
6つの実世界のデータセットの実験結果から,時間モデルにマルチチャネル機構を導入することにより,性能が向上することが示された。
論文 参考訳（メタデータ） (2024-05-10T06:37:07Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - ST-former for short-term passenger flow prediction during COVID-19 in
urban rail transit system [8.506559986635057]
乗客の流動の複雑な依存関係を動的にモデル化する方法は、感染発生時に正確な乗客の流動予測を行う上で、主要な課題である。
本稿では、COVID-19に特化したエンコーダデコーダフレームワーク下で、STformerと呼ばれるトランスフォーマーベースのアーキテクチャを提案する。
実世界の乗客フローデータセットの実験は、STフォーマーが他の11の最先端手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2022-10-14T01:51:33Z) - A Data Driven Method for Multi-step Prediction of Ship Roll Motion in
High Sea States [15.840386459188169]
本稿では, 海上における船の転がり動作の多段階予測を実現するための新しいデータ駆動手法を提案する。
ConvLSPTMNetと呼ばれるハイブリッドニューラルネットワークは、長い短期記憶(LSTM)と1次元畳み込みニューラルネットワーク(CNN)を実行するために提案されている。
その結果, ロール動作の多段階予測において, ConvNetはLSTM法やCNN法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-07-26T06:26:00Z) - CTIN: Robust Contextual Transformer Network for Inertial Navigation [20.86392550313961]
Inertial Navigation(CTIN)のための頑健なCon Transformerベースのネットワークを提案し,速度と軌道を正確に予測する。
CTINは非常に堅牢で、最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2021-12-03T19:57:34Z) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z)
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。