論文の概要: Predicting Barge Presence and Quantity on Inland Waterways using Vessel Tracking Data: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2501.00615v1
• Date: Tue, 31 Dec 2024 19:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:13:07.352938
• Title: Predicting Barge Presence and Quantity on Inland Waterways using Vessel Tracking Data: A Machine Learning Approach
• Title（参考訳）: 船舶追跡データを用いた内陸水路におけるバリア存在と量予測:機械学習によるアプローチ
• Authors: Geoffery Agorkua, Sarah Hernandez, Maria Falquez, Subhadipto Poddar, Shihao Pang,
• Abstract要約: 本研究では,内陸水路における船舶輸送量を予測するための機械学習手法を提案する。 AISはタグと曳航船の位置を追跡しているが、これらの船によって輸送される船舶の存在や数を監視していない。 この知見は、水路の管理やインフラ運営が目標の干ばつ活動のような地域に影響を与えることにも有用である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study presents a machine learning approach to predict the number of barges transported by vessels on inland waterways using tracking data from the Automatic Identification System (AIS). While AIS tracks the location of tug and tow vessels, it does not monitor the presence or number of barges transported by those vessels. Understanding the number and types of barges conveyed along river segments, between ports, and at ports is crucial for estimating the quantities of freight transported on the nation's waterways. This insight is also valuable for waterway management and infrastructure operations impacting areas such as targeted dredging operations, and data-driven resource allocation. Labeled sample data was generated using observations from traffic cameras located along key river segments and matched to AIS data records. A sample of 164 vessels representing up to 42 barge convoys per vessel was used for model development. The methodology involved first predicting barge presence and then predicting barge quantity. Features derived from the AIS data included speed measures, vessel characteristics, turning measures, and interaction terms. For predicting barge presence, the AdaBoost model achieved an F1 score of 0.932. For predicting barge quantity, the Random Forest combined with an AdaBoost ensemble model achieved an F1 score of 0.886. Bayesian optimization was used for hyperparameter tuning. By advancing predictive modeling for inland waterways, this study offers valuable insights for transportation planners and organizations, which require detailed knowledge of traffic volumes, including the flow of commodities, their destinations, and the tonnage moving in and out of ports.
• Abstract（参考訳）: 本研究では, 自動識別システム(AIS)の追跡データを用いて, 内陸海域の船舶が輸送する船数を予測するための機械学習手法を提案する。 AISはタグと曳航船の位置を追跡するが、これらの船によって輸送される船舶の存在や数を監視することはない。 河川セグメント、港、港間で輸送される船舶の数と種類を理解することは、国の水路で輸送される貨物の量を推定するために重要である。 この洞察は、水路の管理やインフラの運用が、目標とする干ばつ操作やデータ駆動資源割り当てといった分野に影響を及ぼす上でも有用である。 標識されたサンプルデータは、主要河川セグメントに沿って位置し、AISデータ記録と一致した交通カメラの観測により生成された。 モデル開発には、最大で42隻の船舶輸送船団を表す164隻の船のサンプルが使用された。 この手法は、まずバージの存在を予測し、次にバージ量を予測する。 AISデータから得られた特徴には、速度測定、船体特性、旋回測度、相互作用項が含まれる。 バージの存在を予測するために、AdaBoostモデルはF1スコア0.932を達成した。 樹皮量を予測するため、AdaBoostアンサンブルモデルと組み合わせたランダムフォレストは0.886のF1スコアを達成した。 ベイズ最適化はハイパーパラメータチューニングに使われた。 本研究は、内陸水路の予測モデリングを進めることにより、商品の流れ、目的地、港を出入りするトン数など、交通量に関する詳細な知識を必要とする交通計画者や組織にとって貴重な知見を提供する。

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)
• Traffic Cameras to detect inland waterway barge traffic: An Application of machine learning [0.0]
  そこで本稿では,既存の交通カメラを用いた陸路のバージトラフィック検出手法について述べる。 ディープラーニングモデル、特にYou Only Look Once (YOLO)、Single Shot MultiBox Detector (SSD)、EfficientDetが採用されている。
  論文  参考訳（メタデータ） (2024-01-05T21:32:25Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven Transfer Learning Framework [2.55061802822074]
  幹線道路のループ検出装置から収集したデータのみを用いて,不足する傾斜流を正確に推定することのできるデータ駆動型フレームワークを提案する。 提案フレームワークは,交通パターン,分布,特性の異なる高速道路におけるオンランプおよびオフランプ流の高精度な推定を保証できる。
  論文  参考訳（メタデータ） (2023-08-07T12:36:30Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• 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)
• 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)
• Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation [99.54200992904721]
  我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。 ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。 DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。 提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
  論文  参考訳（メタデータ） (2021-07-02T10:11:51Z)
• 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)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。