Fugu-MT 論文翻訳(概要): Unfolding collective AIS transmission behavior for vessel movement modeling on irregular timing data using noise-robust neural networks

論文の概要: Unfolding collective AIS transmission behavior for vessel movement modeling on irregular timing data using noise-robust neural networks

arxiv url: http://arxiv.org/abs/2202.13867v1
Date: Thu, 24 Feb 2022 13:24:36 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 14:18:57.823379
Title: Unfolding collective AIS transmission behavior for vessel movement modeling on irregular timing data using noise-robust neural networks
Title（参考訳）: ノイズロバストニューラルネットワークを用いた不規則タイミングデータに基づく血管運動モデリングのための集団AIS伝送挙動
Authors: Gabriel Spadon, Martha D. Ferreira, Amilcar Soares, Stan Matwin
Abstract要約: 複数方向および複数層長短メモリネットワークと畳み込み特徴抽出層が,その処理を最大20.01%改善することを示す。
参考スコア（独自算出の注目度）: 11.55636955646976
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper aims to model the Automatic Identification System (AIS) message transmission behavior through neural networks for forecasting the upcoming AIS messages' content for multiple vessels simultaneously in the face of messages' irregular timing. We present a set of experiments comprising tens of algorithms used for forecasting tasks with horizon sizes of varying lengths. Deep learning models revealed themselves to adequately capture the temporal irregularity while preserving the spatial awareness of different vessels. We show how a multi-directional and multi-layer long-short-term memory network and a convolution feature-extraction layer improve such a task by up to 20.01%.
Abstract（参考訳）: 本稿では,ニューラルネットワークによる自動識別システム(ais)のメッセージ伝達挙動をモデル化し,メッセージの不規則なタイミングに直面する複数の容器に対するaisメッセージの内容の予測を行う。本稿では,様々な長さの水平方向のタスクを予測するために,数十のアルゴリズムを用いた実験を行う。深層学習モデルは、異なる容器の空間的認識を維持しながら、時間的不規則性を適切に捉えることを明らかにした。本稿では,多方向・多層長期記憶ネットワークと畳み込み特徴抽出層が,そのタスクを最大20.01%改善することを示す。

関連論文リスト

Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Layer Ensembles [95.42181254494287]
本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。その結果,メモリと実行時間が少なくなるモデルが得られた。
論文参考訳（メタデータ） (2022-10-10T17:52:47Z)
Network Traffic Anomaly Detection Method Based on Multi scale Residual Feature [4.894147848840537]
ネットワークトラフィックのマルチスケール残差特徴に基づく異常検出手法を提案する。実験の結果,従来の手法と比較して,提案手法の異常なネットワークトラフィックの検出性能が著しく向上していることがわかった。
論文参考訳（メタデータ） (2022-05-08T16:18:24Z)
TrAISformer -- A Transformer Network with Sparse Augmented Data Representation and Cross Entropy Loss for AIS-based Vessel Trajectory Prediction [9.281166430457647]
船舶軌道予測は多くの海洋アプリケーションやサービスにおいて重要な役割を担っている。 AISデータを用いた血管軌跡の予測は、現代の機械学習技術においても困難である。我々は、AISデータの離散的高次元表現と、異質性や多様性に明示的に対処するために設計された新しい損失関数を導入する。 TrAISformerは10海里から10時間以内の平均予測性能で最先端の手法を大幅に上回っている。
論文参考訳（メタデータ） (2021-09-08T22:44:33Z)
Drowsiness Detection Based On Driver Temporal Behavior Using a New Developed Dataset [1.8811803364757564]
顔の特徴を自動的に抽出するためにYOLOv3 (You Look Only Once-version3) CNNを適用した。そして、LSTMニューラルネットワークを用いて、あくびや点滅時間などのドライバーの時間行動を学ぶ。以上の結果から,CNNとLSTMの併用による眠気検出と提案手法の有効性が示唆された。
論文参考訳（メタデータ） (2021-03-31T21:15:29Z)
SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文参考訳（メタデータ） (2021-03-31T18:28:44Z)
Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文参考訳（メタデータ） (2021-03-30T13:20:26Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
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)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)
Instance Explainable Temporal Network For Multivariate Timeseries [0.0]
本稿では,推論のインスタンスごとの分類決定において重要なチャネルを識別する新しいネットワーク(IETNet)を提案する。 IETNetは、時間的特徴抽出、変数選択、共同変数の相互作用を単一の学習フレームワークに組み合わせたエンドツーエンドネットワークである。
論文参考訳（メタデータ） (2020-05-26T20:55:24Z)

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。