論文の概要: ImPORTance -- Machine Learning-Driven Analysis of Global Port Significance and Network Dynamics for Improved Operational Efficiency
- arxiv url: http://arxiv.org/abs/2407.09571v2
- Date: Tue, 16 Jul 2024 12:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 13:14:33.808208
- Title: ImPORTance -- Machine Learning-Driven Analysis of Global Port Significance and Network Dynamics for Improved Operational Efficiency
- Title（参考訳）: Importance -- グローバルポート重要度の機械学習駆動分析とネットワークダイナミクスによる運用効率の向上
- Authors: Emanuele Carlini, Domenico Di Gangi, Vinicius Monteiro de Lira, Hanna Kavalionak, Gabriel Spadon, Amilcar Soares,
- Abstract要約: 本研究は, 船舶の移動によって形成される接続網を解析し, 重要港で共有される共通特性について検討することを目的とする。
本研究の成果は, 産業における港湾開発, 資源配分, インフラ計画に関連する意思決定プロセスについて報告することを目的としている。
- 参考スコア（独自算出の注目度）: 1.0297908615164615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seaports play a crucial role in the global economy, and researchers have sought to understand their significance through various studies. In this paper, we aim to explore the common characteristics shared by important ports by analyzing the network of connections formed by vessel movement among them. To accomplish this task, we adopt a bottom-up network construction approach that combines three years' worth of AIS (Automatic Identification System) data from around the world, constructing a Ports Network that represents the connections between different ports. Through such representation, we use machine learning to measure the relative significance of different port features. Our model examined such features and revealed that geographical characteristics and the depth of the port are indicators of a port's significance to the Ports Network. Accordingly, this study employs a data-driven approach and utilizes machine learning to provide a comprehensive understanding of the factors contributing to ports' importance. The outcomes of our work are aimed to inform decision-making processes related to port development, resource allocation, and infrastructure planning in the industry.
- Abstract（参考訳）: 海港は世界経済において重要な役割を担い、研究者は様々な研究を通じてその重要性を理解しようとしてきた。
本稿では, 船舶の移動によって形成される接続のネットワークを解析し, 重要港で共有される共通特性について考察する。
この課題を達成するために、世界中の3年間のAIS(Automatic Identification System)データを組み合わせたボトムアップネットワーク構築アプローチを採用し、異なるポート間の接続を表すポートネットワークを構築した。
このような表現を通じて、我々は異なるポート特徴の相対的重要性を測定するために機械学習を使用する。
本モデルにより,港の地理的特徴と港深度がポートネットワークにおける港の意義の指標であることが明らかとなった。
そこで本研究では、データ駆動型アプローチを採用し、機械学習を用いて、ポートの重要性に寄与する要因を包括的に理解する。
本研究の成果は, 産業における港湾開発, 資源配分, インフラ計画に関連する意思決定プロセスについて報告することを目的としている。
関連論文リスト
- Multi-modal Perception Dataset of In-water Objects for Autonomous Surface Vehicles [10.732732686425308]
本稿では,自律航法のためのマルチモーダル認識データセットについて紹介する。
自律型表面車両(ASV)の環境意識を高めるため、水中環境における水中障害物に焦点を当てている。
論文 参考訳（メタデータ） (2024-04-29T04:00:19Z) - Leveraging Large Language Model-based Room-Object Relationships Knowledge for Enhancing Multimodal-Input Object Goal Navigation [11.510823733292519]
大規模言語モデルから抽出したオブジェクト間関係の共通知識を組み込んだデータセットに基づいて,データ駆動型モジュール型アプローチを提案する。
Habitatシミュレーターの結果、我々のフレームワークは平均10.6%の効率でベースラインを上回り、Path Length(SPL)が重み付けした成功(Success)を実証した。
論文 参考訳（メタデータ） (2024-03-21T06:32:36Z) - Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文 参考訳（メタデータ） (2023-10-07T06:01:35Z) - KERM: Knowledge Enhanced Reasoning for Vision-and-Language Navigation [61.08389704326803]
VLN(Vision-and-Language Navigation)は、実シーンにおける自然言語命令に続く遠隔地への移動を可能にするタスクである。
以前のアプローチのほとんどは、ナビゲート可能な候補を表現するために、機能全体やオブジェクト中心の機能を利用している。
本稿では,知識を活用したエージェントナビゲーション能力向上のための知識強化推論モデル(KERM)を提案する。
論文 参考訳（メタデータ） (2023-03-28T08:00:46Z) - Digital Twins for Ports: Derived from Smart City and Supply Chain
Twinning Experience [1.348973072687142]
デジタルツインは、多面体および相互接続されたポートプロセスの効率を大幅に向上させる可能性を持つ新興技術である。
ポートのような複雑なシステムにおけるデジタルツインの実装は、まだ初期段階にある。
本稿では,デジタル双生児を構成するものを網羅したクロスドメイン文献レビューを行うことで,この研究ギャップを埋めようとしている。
論文 参考訳（メタデータ） (2023-01-10T15:22:17Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - Discovering Gateway Ports in Maritime Using Temporal Graph Neural
Network Port Classification [4.293083690039338]
本稿では,TGNNを用いたポート分類手法を提案する。
提案手法は,データ内の静的および動的ナビゲーション機能セット間の時間的依存関係をキャプチャする動的グラフを構築するために,コンテナデータを処理する。
実験の結果,TGNNをベースとしたポート分類手法は,ポート分類において95%のfスコアを提供することがわかった。
論文 参考訳（メタデータ） (2022-04-25T12:02:18Z) - Teaching Agents how to Map: Spatial Reasoning for Multi-Object
Navigation [11.868792440783055]
与えられた位置におけるエージェントと到達目標の間の空間的関係を定量化する指標を推定する学習は、多目的ナビゲーション設定において高い正の影響を及ぼすことを示す。
提案された補助的損失で訓練された文献の学習ベースのエージェントは、マルチオブジェクトナビゲーションチャレンジへの勝利であった。
論文 参考訳（メタデータ） (2021-07-13T12:01:05Z) - Wizard of Search Engine: Access to Information Through Conversations
with Search Engines [58.53420685514819]
我々は3つの側面からCISの研究を促進するために努力している。
目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。
検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
論文 参考訳（メタデータ） (2021-05-18T06:35:36Z) - Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。
シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。
私たちの学習モデルは、現実世界のデータにも転送します。
論文 参考訳（メタデータ） (2021-01-07T18:56:38Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z)
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。