論文の概要: Building a Safer Maritime Environment Through Multi-Path Long-Term
Vessel Trajectory Forecasting
- arxiv url: http://arxiv.org/abs/2310.18948v1
- Date: Sun, 29 Oct 2023 09:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 15:14:20.698126
- Title: Building a Safer Maritime Environment Through Multi-Path Long-Term
Vessel Trajectory Forecasting
- Title(参考訳): 多経路長期船舶軌道予測によるより安全な海上環境の構築
- Authors: Gabriel Spadon, Jay Kumar, Matthew Smith, Sarah Vela, Romina Gehrmann,
Derek Eden, Joshua van Berkel, Amilcar Soares, Ronan Fablet, Ronald Pelot,
Stan Matwin
- Abstract要約: 本稿では,AISデータを用いた実効的多経路長期船体軌道予測という,トラジェクトリ予測の本質的な問題に取り組む。
双方向長短期記憶ネットワーク(Bidirectional Long Short-Term Memory Networks, Bi-LSTM)を用いたエンコーダ・デコーダモデルを用いて,1~3時間のAISデータを用いて,次の12時間の血管軌跡を予測する。
我々は北大西洋右クジラ(NARW)生息地の一つであるセントローレンス湾で実験を行い、異なる技術と特徴を持つR2スコアを98%以上達成した。
- 参考スコア(独自算出の注目度): 10.670688442933223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maritime transport is paramount to global economic growth and environmental
sustainability. In this regard, the Automatic Identification System (AIS) data
plays a significant role by offering real-time streaming data on vessel
movement, which allows for enhanced traffic surveillance, assisting in vessel
safety by avoiding vessel-to-vessel collisions and proactively preventing
vessel-to-whale ones. This paper tackles an intrinsic problem to trajectory
forecasting: the effective multi-path long-term vessel trajectory forecasting
on engineered sequences of AIS data. We utilize an encoder-decoder model with
Bidirectional Long Short-Term Memory Networks (Bi-LSTM) to predict the next 12
hours of vessel trajectories using 1 to 3 hours of AIS data. We feed the model
with probabilistic features engineered from the AIS data that refer to the
potential route and destination of each trajectory so that the model,
leveraging convolutional layers for spatial feature learning and a
position-aware attention mechanism that increases the importance of recent
timesteps of a sequence during temporal feature learning, forecasts the vessel
trajectory taking the potential route and destination into account. The F1
Score of these features is approximately 85% and 75%, indicating their
efficiency in supplementing the neural network. We trialed our model in the
Gulf of St. Lawrence, one of the North Atlantic Right Whales (NARW) habitats,
achieving an R2 score exceeding 98% with varying techniques and features.
Despite the high R2 score being attributed to well-defined shipping lanes, our
model demonstrates superior complex decision-making during path selection. In
addition, our model shows enhanced accuracy, with average and median
forecasting errors of 11km and 6km, respectively. Our study confirms the
potential of geographical data engineering and trajectory forecasting models
for preserving marine life species.
- Abstract(参考訳): 海洋輸送は、世界的な経済成長と環境持続可能性にとって最重要課題である。
この点において、自動識別システム(AIS)データは、船舶の移動にリアルタイムのストリーミングデータを提供することで、交通監視の強化、船舶と船舶の衝突を避けることによる船舶の安全支援、船舶と鯨の衝突を積極的に防止することで、重要な役割を果たす。
本稿では,AISデータを用いた多経路長期船体軌道予測という,トラジェクトリ予測の本質的な課題に取り組む。
双方向長短短期記憶ネットワーク(bi-lstm)を用いたエンコーダ・デコーダモデルを用いて,1〜3時間のaisデータを用いて,次の12時間の血管軌跡を予測する。
我々は,aisデータから設計した確率的特徴をモデルに与え,そのモデルが空間的特徴学習に畳み込み層を利用するように,および時間的特徴学習中にシーケンスの最近の時間ステップの重要性を高める位置認識注意機構を用いて,潜在的経路と目的地を考慮した船舶軌道を予測する。
これらの機能のF1スコアはおよそ85%と75%であり、ニューラルネットワークを補完する効率を示している。
我々は北大西洋右クジラ(NARW)生息地の一つであるセントローレンス湾で実験を行い、異なる技術と特徴を持つR2スコアを98%以上達成した。
高いR2スコアは適切に定義された運送レーンに起因するが,本モデルでは経路選択時の複雑な意思決定に優れることを示す。
さらに,本モデルでは,平均予測誤差が11km,平均予測誤差が6km,精度が向上した。
本研究は,海洋生物保全のための地理データ工学および軌道予測モデルの可能性を検証する。
関連論文リスト
- Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳(メタデータ) (2024-03-31T17:18:57Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳(メタデータ) (2023-04-26T02:08:46Z) - Multi model LSTM architecture for Track Association based on Automatic
Identification System Data [2.094022863940315]
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。
論文 参考訳(メタデータ) (2023-04-04T03:11:49Z) - FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial
Video Classification [49.06447472006251]
本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。
本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
論文 参考訳(メタデータ) (2022-09-22T21:15:58Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - 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) - Deep Learning Methods for Vessel Trajectory Prediction based on
Recurrent Neural Networks [13.193080011901381]
エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。
提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。
デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
論文 参考訳(メタデータ) (2021-01-07T11:05:47Z) - LTN: Long-Term Network for Long-Term Motion Prediction [0.0]
長期ネットワーク(LTN)と呼ばれる長期軌道予測のための2段階フレームワークを提案する。
まず,条件付き変分オートエンコーダ(CVAE)を用いて提案したトラジェクトリの集合を生成し,それらをバイナリラベルで分類し,最も高いスコアでトラジェクトリを出力する。
その結果,提案手法は,長期軌道予測における複数の最先端手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) (2020-10-15T17:59:09Z) - Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive
Treatment [5.0283137924084205]
近年,国際規模の大型商業船に義務付けられているため,自動識別システム(AIS)が重要な役割を担っている。
AISデータに基づく船体経路予測は、将来の海洋インテリジェンスにとって有望な方法である。
本研究では, 船舶経路の正確な予測を行うために, 大規模歴史的AIS軌道セグメントをモデル化するための包括的枠組みを提案する。
論文 参考訳(メタデータ) (2020-01-02T09:16:40Z)
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。