論文の概要: Multi model LSTM architecture for Track Association based on Automatic
Identification System Data
- arxiv url: http://arxiv.org/abs/2304.01491v1
- Date: Tue, 4 Apr 2023 03:11:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 15:32:41.442419
- Title: Multi model LSTM architecture for Track Association based on Automatic
Identification System Data
- Title（参考訳）: 自動識別システムデータに基づくトラックアソシエーションのための多モデルLSTMアーキテクチャ
- Authors: Md Asif Bin Syed, Imtiaz Ahmed
- Abstract要約: トラックアソシエーションのためのLong Short-Term Memory (LSTM) ベースのマルチモデルフレームワークを提案する。
我々は、精度、リコール、F1スコアなどの標準的なパフォーマンス指標を用いて、アプローチのパフォーマンスを評価する。
- 参考スコア（独自算出の注目度）: 2.094022863940315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: For decades, track association has been a challenging problem in marine
surveillance, which involves the identification and association of vessel
observations over time. However, the Automatic Identification System (AIS) has
provided a new opportunity for researchers to tackle this problem by offering a
large database of dynamic and geo-spatial information of marine vessels. With
the availability of such large databases, researchers can now develop
sophisticated models and algorithms that leverage the increased availability of
data to address the track association challenge effectively. Furthermore, with
the advent of deep learning, track association can now be approached as a
data-intensive problem. In this study, we propose a Long Short-Term Memory
(LSTM) based multi-model framework for track association. LSTM is a recurrent
neural network architecture that is capable of processing multivariate temporal
data collected over time in a sequential manner, enabling it to predict current
vessel locations from historical observations. Based on these predictions, a
geodesic distance based similarity metric is then utilized to associate the
unclassified observations to their true tracks (vessels). We evaluate the
performance of our approach using standard performance metrics, such as
precision, recall, and F1 score, which provide a comprehensive summary of the
accuracy of the proposed framework.
- Abstract（参考訳）: 何十年もの間、トラック・アソシエーションは海洋監視において困難な問題であり、時間をかけて船の観測を識別し、関連付けることを含んできた。
しかし、自動識別システム(ais)は、船舶の動的および地理空間情報の大規模なデータベースを提供することで、この問題に取り組む新たな機会を提供している。
このような大規模なデータベースが利用可能になったことで、研究者は、トラックアソシエーションの課題に効果的に取り組むためにデータの可用性を高める高度なモデルやアルゴリズムを開発できるようになった。
さらに、ディープラーニングの出現により、トラックアソシエーションはデータ集約的な問題としてアプローチできるようになった。
本研究では,トラックアソシエーションのためのLong Short-Term Memory(LSTM)に基づくマルチモデルフレームワークを提案する。
LSTMは、時系列的に収集された多変量時間データを処理できるリカレントニューラルネットワークアーキテクチャであり、過去の観測から現在の血管の位置を予測することができる。
これらの予測に基づいて、測地線距離に基づく類似度計量を用いて、未分類の観測を真の軌跡(容器)に関連付ける。
提案手法を精度,リコール,F1スコアなどの標準的な性能指標を用いて評価し,提案手法の精度を概観する。
関連論文リスト
- Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - An Automated Machine Learning Approach for Detecting Anomalous Peak
Patterns in Time Series Data from a Research Watershed in the Northeastern
United States Critical Zone [3.1747517745997014]
本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。
このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
論文 参考訳（メタデータ） (2023-09-14T19:07:50Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳（メタデータ） (2023-03-24T15:26:49Z) - A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of
a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。
本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。
Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-03-17T00:24:28Z) - LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time
Series Data [6.642599588462097]
室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。
IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。
本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2022-04-14T01:57:46Z) - Network Level Spatial Temporal Traffic State Forecasting with Hierarchical Attention LSTM (HierAttnLSTM) [0.0]
本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。
我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。
構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
論文 参考訳（メタデータ） (2022-01-15T05:25:03Z) - 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) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳（メタデータ） (2020-06-22T08:20:17Z) - 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) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。