論文の概要: Short-term Inland Vessel Trajectory Prediction with Encoder-Decoder Models
- arxiv url: http://arxiv.org/abs/2406.02770v1
- Date: Tue, 4 Jun 2024 20:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 22:47:37.793875
- Title: Short-term Inland Vessel Trajectory Prediction with Encoder-Decoder Models
- Title（参考訳）: エンコーダ・デコーダモデルによる陸上船舶軌道の短期予測
- Authors: Kathrin Donandt, Karim Böttger, Dirk Söffker,
- Abstract要約: 船の軌道予測問題に対してトランスを用いたエンコーダデコーダモデルを適用した。
その結果, 回帰作業が分類問題であり, 河川特有の特徴が組み込まれているため, 変位誤差が最小であることが示唆された。
- 参考スコア（独自算出の注目度）: 2.287415292857564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate vessel trajectory prediction is necessary for save and efficient navigation. Deep learning-based prediction models, esp. encoder-decoders, are rarely applied to inland navigation specifically. Approaches from the maritime domain cannot directly be transferred to river navigation due to specific driving behavior influencing factors. Different encoder-decoder architectures, including a transformer encoder-decoder, are compared herein for predicting the next positions of inland vessels, given not only spatio-temporal information from AIS, but also river specific features. The results show that the reformulation of the regression task as classification problem and the inclusion of river specific features yield the lowest displacement errors. The standard LSTM encoder-decoder outperforms the transformer encoder-decoder for the data considered, but is computationally more expensive. In this study for the first time a transformer-based encoder-decoder model is applied to the problem of predicting the ship trajectory. Here, a feature vector using the river-specific context of navigation input parameters is established. Future studies can built on the proposed models, investigate the improvement of the computationally more efficient transformer, e.g. through further hyper-parameter optimization, and use additional river-specific information in the context representation to further increase prediction accuracy.
- Abstract（参考訳）: 保存および効率的な航法には正確な船舶軌道予測が必要である。
深層学習に基づく予測モデル、例えばエンコーダデコーダは、特に内陸航法にはほとんど適用されない。
海洋ドメインからのアプローチは、特定の運転行動が影響する要因により、直接河川航行に移行することはできない。
変圧器エンコーダ・デコーダを含む異なるエンコーダ・デコーダアーキテクチャは、AISの時空間情報だけでなく、河川特有の特徴も考慮し、内陸血管の次の位置を予測するために比較される。
その結果, 回帰タスクを分類問題として再編成し, 河川特有の特徴を組み込むことで, 変位誤差が最少であることが示唆された。
標準のLSTMエンコーダデコーダは、考慮されたデータに対してトランスフォーマーエンコーダデコーダよりも優れているが、計算コストは高い。
本研究では, 変圧器を用いたエンコーダデコーダモデルを船舶軌道予測問題に適用した。
ここでは、ナビゲーション入力パラメータの河川固有の文脈を用いた特徴ベクトルを確立する。
提案したモデルに基づいて今後の研究を行い,さらに高パラメータ最適化を通じて計算効率のよいトランスフォーマーの改良について検討し,さらに予測精度を高めるために,文脈表現に追加の河川固有情報を利用する。
関連論文リスト
- Improved context-sensitive transformer model for inland vessel trajectory prediction [2.287415292857564]
物理関連およびモデルに基づく船舶軌道予測は非常に正確であるが、検討中の船舶の具体的な知識が必要である。
機械学習に基づく軌道予測モデルは専門家の知識を必要としないが、大量のデータから抽出された暗黙の知識に依存している。
近年,血管軌跡予測のための深層学習法が提案されている。
論文 参考訳（メタデータ） (2024-06-04T20:39:14Z) - Incorporating Navigation Context into Inland Vessel Trajectory Prediction: A Gaussian Mixture Model and Transformer Approach [2.498836880652668]
船舶の移動がフェアウェイ内で制限されている内陸輸送では、航行コンテキスト情報は不可欠である。
本研究では,多モード分布曲線を生成するためにAISと放電測定の融合データセットを適用した。
これらの分布特徴を組み込むことで予測精度が向上する。
論文 参考訳（メタデータ） (2024-06-04T14:20:10Z) - Take an Irregular Route: Enhance the Decoder of Time-Series Forecasting
Transformer [9.281993269355544]
本稿では,エンコーダとデコーダのボトムアップおよびトップダウンアーキテクチャを利用して,完全かつ合理的な階層を構築するためのFPPformerを提案する。
6つの最先端ベンチマークによる大規模な実験は、FPPformerの有望な性能を検証する。
論文 参考訳（メタデータ） (2023-12-10T06:50:56Z) - ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction [55.30913411696375]
本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
論文 参考訳（メタデータ） (2023-09-01T07:55:53Z) - Think Twice before Driving: Towards Scalable Decoders for End-to-End
Autonomous Driving [74.28510044056706]
既存のメソッドは通常、分離されたエンコーダ-デコーダパラダイムを採用する。
本研究は,この問題を2つの原則で緩和することを目的としている。
まず、エンコーダの特徴に基づいて、粗い将来の位置と行動を予測する。
そして、その位置と動作を条件に、将来のシーンを想像して、それに従って運転した場合にその影響を確認する。
論文 参考訳（メタデータ） (2023-05-10T15:22:02Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - Traffic Flow Prediction via Variational Bayesian Inference-based
Encoder-Decoder Framework [1.181206257787103]
本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。
ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。
提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
論文 参考訳（メタデータ） (2022-12-14T12:39:47Z) - Integral Migrating Pre-trained Transformer Encoder-decoders for Visual
Object Detection [78.2325219839805]
imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。
MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
論文 参考訳（メタデータ） (2022-05-19T15:11:20Z) - Probabilistic Autoencoder using Fisher Information [0.0]
この作業では、Autoencoderアーキテクチャの拡張であるFisherNetが導入されている。
このアーキテクチャでは、潜時空間の不確実性はエンコーダの付加情報チャネルを使用して生成されるのではなく、フィッシャー情報計量を用いてデコーダから導出される。
FisherNetは、同等のVAEよりも正確なデータ再構成を実現しており、学習性能も、潜在空間次元の数に比例して向上していることが実験的に証明できる。
論文 参考訳（メタデータ） (2021-10-28T08:33:24Z) - Transformers Solve the Limited Receptive Field for Monocular Depth
Prediction [82.90445525977904]
畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。
連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
論文 参考訳（メタデータ） (2021-03-22T18:00:13Z) - On the Sub-Layer Functionalities of Transformer Decoder [74.83087937309266]
トランスフォーマーをベースとしたデコーダは,ソースおよびターゲット言語からの情報をいかに活用するかを検討する。
これらの知見に基づき,各トランスフォーマーデコーダ層内の残フィードフォワードモジュールは,性能の低下を最小限に抑えられることを示した。
論文 参考訳（メタデータ） (2020-10-06T11:50:54Z)
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。