論文の概要: Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning
- arxiv url: http://arxiv.org/abs/2403.09969v1
- Date: Fri, 15 Mar 2024 02:25:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 20:46:21.375074
- Title: Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning
- Title（参考訳）: マルチデータフュージョンと深層学習によるパイロットエリアへの船舶到着時間予測
- Authors: Xiaocai Zhang, Xiuju Fu, Zhe Xiao, Haiyan Xu, Xiaoyang Wei, Jimmy Koh, Daichi Ogawa, Zheng Qin,
- Abstract要約: 本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。
シンガポールの2つの実世界のデータセットに関する試験が行われ、以下の有望な結果が得られた。
- 参考スコア（独自算出の注目度）: 9.458664533786994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the prediction of vessels' arrival time to the pilotage area using multi-data fusion and deep learning approaches. Firstly, the vessel arrival contour is extracted based on Multivariate Kernel Density Estimation (MKDE) and clustering. Secondly, multiple data sources, including Automatic Identification System (AIS), pilotage booking information, and meteorological data, are fused before latent feature extraction. Thirdly, a Temporal Convolutional Network (TCN) framework that incorporates a residual mechanism is constructed to learn the hidden arrival patterns of the vessels. Extensive tests on two real-world data sets from Singapore have been conducted and the following promising results have been obtained: 1) fusion of pilotage booking information and meteorological data improves the prediction accuracy, with pilotage booking information having a more significant impact; 2) using discrete embedding for the meteorological data performs better than using continuous embedding; 3) the TCN outperforms the state-of-the-art baseline methods in regression tasks, exhibiting Mean Absolute Error (MAE) ranging from 4.58 min to 4.86 min; and 4) approximately 89.41% to 90.61% of the absolute prediction residuals fall within a time frame of 10 min.
- Abstract（参考訳）: 本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。
まず、多変量カーネル密度推定(MKDE)とクラスタリングに基づいて、容器到着輪郭を抽出する。
第2に、自動識別システム(AIS)、操縦予約情報、気象データを含む複数のデータソースを、遅延特徴抽出の前に融合させる。
第3に、残留機構を組み込んだ一時畳み込みネットワーク(TCN)フレームワークを構築し、容器の隠れた到着パターンを学習する。
シンガポールの2つの実世界のデータセットに対する大規模な試験が行われ、以下の有望な結果が得られた。
1) パイロット予約情報と気象データの融合により、予測精度が向上し、パイロット予約情報がより大きな影響を与える。
2) 気象データに対する個別の埋め込みは, 連続的な埋め込みよりも良好である。
3)TCNは,4.58分から4.86分までの平均絶対誤差(MAE)を示す回帰作業において,最先端のベースライン法より優れている。
4) 絶対予測残差の89.41%から90.61%は10分以内である。
関連論文リスト
- Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。
40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。
ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文 参考訳（メタデータ） (2024-06-19T10:28:11Z) - M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere [34.63172821289592]
これまでに最も包括的な海洋霧検出・予測データセットであるM4Fogを提示する。
データセットは、元素、緯度、経度、時間という4つの次元に沿って68,000個の「スーパーフォッグデータ立方体」で構成され、時間分解能は30時間、空間分解能は1kmである。
実用的応用を考えると,マルチメトリック評価システムを用いた3つの意味トラックを定義し,検討した。
論文 参考訳（メタデータ） (2024-06-19T08:11:07Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Predicting Berth Stay for Tanker Terminals: A Systematic and Dynamic
Approach [1.6694381776724387]
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。
論文 参考訳（メタデータ） (2022-04-08T14:03:33Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z) - 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) - Tropical and Extratropical Cyclone Detection Using Deep Learning [0.7025418443146436]
U-Net構造を用いたディープラーニングセグメンテーション画像モデルは、より制限的なアプローチによって欠落した領域を特定することができる。
4つのU-Netモデルは、熱帯と熱帯のサイクロン地域を検知するために設計されている。
熱帯性サイクロンU-Netモデルは、同じROIを検出するために使用される同等のモデルよりも3倍高速に動作した。
論文 参考訳（メタデータ） (2020-05-18T20:09:20Z) - Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous
Density Prediction [3.59465210252619]
制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。
深層学習に基づくUAS瞬時密度予測モデルを提案する。
論文 参考訳（メタデータ） (2020-03-22T02:40:28Z)
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。