Fugu-MT 論文翻訳(概要): Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic Approach

論文の概要: Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic Approach

arxiv url: http://arxiv.org/abs/2204.04085v1
Date: Fri, 8 Apr 2022 14:03:33 GMT
ステータス: 処理完了
システム内更新日: 2022-04-11 12:46:16.622324
Title: Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic Approach
Title（参考訳）: タンカーターミナルのベルト定常予測:システム的および動的アプローチ
Authors: Deqing Zhai and Xiuju Fu and Xiao Feng Yin and Haiyan Xu and Wanbing Zhang
Abstract要約: 提案手法は、歴史的基準によって検証された98.81%の精度でバース滞在を予測することができる。このモデルは、短期間のパイロット予約や、適切な時間枠内でのスケジューリング最適化に応用される可能性がある。
参考スコア（独自算出の注目度）: 1.6694381776724387
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Given the trend of digitization and increasing number of maritime transport, prediction of vessel berth stay has been triggered for requirements of operation research and scheduling optimization problem in the era of maritime big data, which takes a significant part in port efficiency and maritime logistics enhancement. This study proposes a systematic and dynamic approach of predicting berth stay for tanker terminals. The approach covers three innovative aspects: 1) Data source employed is multi-faceted, including cargo operation data from tanker terminals, time-series data from automatic identification system (AIS), etc. 2) The process of berth stay is decomposed into multiple blocks according to data analysis and information extraction innovatively, and practical operation scenarios are also developed accordingly. 3) The predictive models of berth stay are developed on the basis of prior data analysis and information extraction under two methods, including regression and decomposed distribution. The models are evaluated under four dynamic scenarios with certain designated cargoes among two different terminals. The evaluation results show that the proposed approach can predict berth stay with the accuracy up to 98.81% validated by historical baselines, and also demonstrate the proposed approach has dynamic capability of predicting berth stay among the scenarios. The model may be potentially applied for short-term pilot-booking or scheduling optimizations within a reasonable time frame for advancement of port intelligence and logistics efficiency.
Abstract（参考訳）: デジタル化の傾向と海上輸送の増加を踏まえ,海洋ビッグデータ時代における運用研究とスケジューリング最適化の要件を満たすため,船舶の停泊の予測が引き起こされ,港湾効率と海運物流の強化に大きく寄与した。本研究は,タンカー端末のバース滞留を予測するための系統的および動的アプローチを提案する。このアプローチには3つの革新的な側面がある。 1)タンカー端末からの貨物運行データ、自動識別システム(ais)からの時系列データなど、使用するデータソースは多面的である。 2)データ解析と情報抽出にしたがってberth stayのプロセスは複数のブロックに分解され、それに応じて実用的な運用シナリオも開発される。 3) 回帰と分解分布を含む2つの手法による事前データ解析と情報抽出に基づいて, berth stayの予測モデルを開発した。モデルは2つの異なる端末間で指定された貨物を持つ4つの動的シナリオで評価される。評価結果は,提案手法が過去の基準値から98.81%の精度でバース滞在を予測できることを示し,また,提案手法がシナリオ間のバース滞在を予測する動的能力を有することを示した。このモデルは、短期的なパイロット予約や、ポートインテリジェンスとロジスティクス効率の向上のための適切な時間枠内でのスケジューリングに応用される可能性がある。

関連論文リスト

Bayesian dynamic mode decomposition for real-time ship motion digital twinning [0.0]
本稿では, 船体動特性の予測ツールとして, ハンケル・ダイナミックモード分解法のベイズ拡張を提案する。提案アルゴリズムは, デジタルツインニングに係わる定式化の要件をすべて満たし, 物理系からデータを取得することにより, 結果のモデルを適応させることができる。 3種類のCFDソルバのデータを用いて,Fr = 0.33 におけるビームベース海洋7不規則波の5415Mモデルの軌道維持について検討した。
論文参考訳（メタデータ） (2024-11-22T10:25:44Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
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)
Reservoir computing with logistic map [0.0]
本稿では,仮想ノードを貯水池計算の貯水池として構築し,時間的・非時間的タスクを予測する手法を示す。時間的タスクに対してはLorenz, Rossler, Hindmarsh-Roseの3つの非線形系を予測し, 高精度な非時間的タスクに対しては7位とした。注目すべきは、ロジスティックマップがうまく機能し、実際の値や対象値に近いものを予測することである。
論文参考訳（メタデータ） (2024-01-17T09:22:15Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
FLODCAST: Flow and Depth Forecasting via Multimodal Recurrent Architectures [31.879514593973195]
本研究では,両モードを同時に予測するフローおよび深さ予測モデルを提案する。提案したモデルをトレーニングし、将来いくつかのタイムステップの予測を行う。セグメンテーション予測の下流タスクの利点を報告し、フローベースのマスクウォーピングフレームワークに予測を注入する。
論文参考訳（メタデータ） (2023-10-31T16:30:16Z)
Fuel Consumption Prediction for a Passenger Ferry using Machine Learning and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文参考訳（メタデータ） (2023-10-19T19:35:38Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
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)
Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。