論文の概要: Enhancing Maritime Trajectory Forecasting via H3 Index and Causal Language Modelling (CLM)

• arxiv url: http://arxiv.org/abs/2405.09596v1
• Date: Wed, 15 May 2024 13:43:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 16:09:33.698106
• Title: Enhancing Maritime Trajectory Forecasting via H3 Index and Causal Language Modelling (CLM)
• Title（参考訳）: H3 Index and Causal Language Modelling (CLM)による海上軌道予測の強化
• Authors: Nicolas Drapier, Aladine Chetouani, Aurélien Chateigner,
• Abstract要約: 船の軌道を正確に8時間まで予測することは、30分間のコンテキストで可能である。 我々は、この代替手段が世界中の軌道を予測するのに十分な効果があることを実証した。
• 参考スコア（独自算出の注目度）: 4.182479434666187
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The prediction of ship trajectories is a growing field of study in artificial intelligence. Traditional methods rely on the use of LSTM, GRU networks, and even Transformer architectures for the prediction of spatio-temporal series. This study proposes a viable alternative for predicting these trajectories using only GNSS positions. It considers this spatio-temporal problem as a natural language processing problem. The latitude/longitude coordinates of AIS messages are transformed into cell identifiers using the H3 index. Thanks to the pseudo-octal representation, it becomes easier for language models to learn the spatial hierarchy of the H3 index. The method is compared with a classical Kalman filter, widely used in the maritime domain, and introduces the Fr\'echet distance as the main evaluation metric. We show that it is possible to predict ship trajectories quite precisely up to 8 hours with 30 minutes of context. We demonstrate that this alternative works well enough to predict trajectories worldwide.
• Abstract（参考訳）: 船舶軌道の予測は、人工知能における研究分野の増大である。 従来の手法は、時空間列の予測にLSTM、GRUネットワーク、さらにはTransformerアーキテクチャにも依存している。 本研究は,GNSS位置のみを用いて,これらの軌道を予測可能な代替手段を提案する。 この時空間問題を自然言語処理問題とみなす。 AISメッセージの緯度/経度座標は、H3インデックスを用いてセル識別子に変換する。 擬似オクタル表現により、言語モデルがH3インデックスの空間的階層を学習しやすくなる。 この手法は、海洋領域で広く用いられている古典カルマンフィルタと比較され、Fr'echet距離を主評価指標として導入する。 我々は,30分間のコンテキストで,船の軌道を正確に8時間まで予測できることを示した。 我々は、この代替手段が世界中の軌道を予測するのに十分な効果があることを実証した。

関連論文リスト

• 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)
• GOI: Find 3D Gaussians of Interest with an Optimizable Open-vocabulary Semantic-space Hyperplane [53.388937705785025]
  3Dオープンボキャブラリのシーン理解は、拡張現実とロボット応用の推進に不可欠である。 GOIは2次元視覚言語基礎モデルから3次元ガウススプラッティング(3DGS)に意味的特徴を統合するフレームワークである。 提案手法では,特徴空間内の超平面分割として特徴選択処理を扱い,クエリに関連性の高い特徴のみを保持する。
  論文  参考訳（メタデータ） (2024-05-27T18:57:18Z)
• Spatial-Temporal Large Language Model for Traffic Prediction [21.69991612610926]
  交通予測のための時空間大言語モデル(ST-LLM)を提案する。 ST-LLMでは,各位置の時間ステップをトークンとして定義し,空間的位置とグローバルな時間的パターンを学習するための空間的時間的埋め込みを設計する。 実トラフィックデータセットの実験において、ST-LLMは最先端のモデルより優れた空間時空間学習器である。
  論文  参考訳（メタデータ） (2024-01-18T17:03:59Z)
• Spatio-temporal DeepKriging for Interpolation and Probabilistic Forecasting [2.494500339152185]
  本稿では、時間・時間・予測のためのディープニューラルネットワーク(DNN)に基づく2段階モデルを提案する。 我々は、確率予測を提供するために、量子ベースの損失関数をプロセスに導入する。 複雑な時間過程の大規模予測に適している。
  論文  参考訳（メタデータ） (2023-06-20T11:51:44Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• 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)
• Meta-path Analysis on Spatio-Temporal Graphs for Pedestrian Trajectory Prediction [6.685013315842084]
  本稿では,メタパス強化構造リカレントニューラルネットワーク(MESRNN)を提案する。 歩行者軌跡予測にはMESRNNを用いており、これらのメタパスに基づく特徴を利用して時間空間の異なる地点における歩行者軌跡間の関係を捉えている。 提案モデルでは, 長期水平線上での軌道予測の基準線を32%以上上回り, 密集層においてより社会的に適合した軌道を生成する。
  論文  参考訳（メタデータ） (2022-02-27T19:09:21Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)

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。