論文の概要: TrAISformer-A generative transformer for AIS trajectory prediction

• arxiv url: http://arxiv.org/abs/2109.03958v3
• Date: Sun, 14 May 2023 13:47:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 01:41:30.567634
• 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は改良されたトランスフォーマーネットワークで、AIS軌道の長期相関を抽出し、将来的な船舶の位置を予測する。 TrAISformerは最先端の手法を大きく上回り、平均的な予測性能は10海里以下で最大10時間である。
• 参考スコア（独自算出の注目度）: 9.685807574298476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prediction of vessel positions at a specified point in the future is a fundamental aspect of many maritime applications. While Automatic Identification System (AIS) provides a rich source of information to enable this task, vessel trajectory forecasting using AIS data remains formidably challenging, even for modern machine learning/deep learning, because of the complexity and multimodality inherent in motion data. In this paper, we address these challenges by introducing a novel discrete, high-dimensional representation of AIS data and a new loss function to explicitly account for heterogeneity and multimodality. The proposed model -- referred to as TrAISformer -- is a modified transformer network that extracts long-term correlations of AIS trajectories in the proposed enriched space to forecast the positions of vessels several hours into the future. We report experimental results on publicly available, real AIS data. TrAISformer significantly outperforms state-of-the-art methods and with an average prediction performance below 10 nautical miles up to ~10 hours.
• Abstract（参考訳）: 将来ある特定の地点における船舶位置の予測は多くの海洋応用の基本的な側面である。 自動識別システム(AIS)は、このタスクを実現するための豊富な情報を提供するが、動きデータに固有の複雑さとマルチモーダル性のため、現代の機械学習/深層学習においても、AISデータを用いた船舶軌道予測は極めて困難である。 本稿では,aisデータの新しい離散的高次元表現と,不均一性と多様性を考慮した新しい損失関数を導入することで,これらの課題を解決する。 提案したモデルであるTrAISformerは、改良されたトランスフォーマーネットワークであり、提案された拡張空間におけるAIS軌道の長期相関を抽出し、将来的な船舶の位置を予測する。 実AISデータを公開して実験結果を報告する。 TrAISformerは最先端の手法を大きく上回り、平均的な予測性能は10海里から10時間以内である。

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。