論文の概要: Temporal-IRL: Modeling Port Congestion and Berth Scheduling with Inverse Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2506.19843v1
• Date: Tue, 24 Jun 2025 17:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.766611
• Title: Temporal-IRL: Modeling Port Congestion and Berth Scheduling with Inverse Reinforcement Learning
• Title（参考訳）: 時間-IRL:逆強化学習によるポート混雑とベルトスケジューリングのモデル化
• Authors: Guo Li, Zixiang Xu, Wei Zhang, Yikuan Hu, Xinyu Yang, Nikolay Aristov, Mingjie Tang, Elenna R Dugundji,
• Abstract要約: モデルは、バーススケジューリングを学習し、終端における船舶シークエンシングを予測し、船舶港留置を推定する。 モデルをトレーニングし、テストし、明らかに優れた結果を得た。
• 参考スコア（独自算出の注目度）: 13.45559229405042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting port congestion is crucial for maintaining reliable global supply chains. Accurate forecasts enableimprovedshipment planning, reducedelaysand costs, and optimizeinventoryanddistributionstrategies, thereby ensuring timely deliveries and enhancing supply chain resilience. To achieve accurate predictions, analyzing vessel behavior and their stay times at specific port terminals is essential, focusing particularly on berth scheduling under various conditions. Crucially, the model must capture and learn the underlying priorities and patterns of berth scheduling. Berth scheduling and planning are influenced by a range of factors, including incoming vessel size, waiting times, and the status of vessels within the port terminal. By observing historical Automatic Identification System (AIS) positions of vessels, we reconstruct berth schedules, which are subsequently utilized to determine the reward function via Inverse Reinforcement Learning (IRL). For this purpose, we modeled a specific terminal at the Port of New York/New Jersey and developed Temporal-IRL. This Temporal-IRL model learns berth scheduling to predict vessel sequencing at the terminal and estimate vessel port stay, encompassing both waiting and berthing times, to forecast port congestion. Utilizing data from Maher Terminal spanning January 2015 to September 2023, we trained and tested the model, achieving demonstrably excellent results.
• Abstract（参考訳）: 港の混雑予測は、信頼性の高いグローバルサプライチェーンを維持するために不可欠である。 正確な予測は、即時納入計画、減産とコストの削減、インベントリ・ディストリビューション戦略の最適化を可能にし、タイムリーな納入とサプライチェーンのレジリエンスの向上を可能にする。 正確な予測を実現するためには, 船舶の挙動と特定ポート端末での滞在時間を分析することが不可欠であり, 特に各種条件下でのバーススケジューリングに重点を置いている。 重要なことは、モデルはバーススケジューリングの根底にある優先順位とパターンを捉え、学習しなければなりません。 バスのスケジューリングと計画は、入港する船舶の大きさ、待ち時間、港湾ターミナル内の船舶の状況など、様々な要因に影響を受けている。 船舶の歴史的自動識別システム(AIS)の位置を観察することにより、逆強化学習(IRL)による報酬関数決定に使用されるバーススケジュールを再構築する。 この目的のために、ニューヨーク/ニュージャージー港の特定のターミナルをモデル化し、テンポラルIRLを開発した。 このテンポラル-IRLモデルは、端末での船舶シークエンシングを予測するためのバーススケジューリングを学習し、待ち時間と係留時間の両方を含む船港滞在を推定し、ポート混雑を予測する。 2015年1月から2023年9月までのMaher Terminalのデータを活用して、モデルをトレーニングし、テストしました。

関連論文リスト

• Beyond the Next Port: A Multi-Task Transformer for Forecasting Future Voyage Segment Durations [3.9443085703523706]
  本研究は,将来のETA予測をセグメントレベルの時系列予測問題として再検討する。 本研究では, 過去の航行時間, 目的地港の混雑, および静的容器記述子を統合するトランスフォーマーアーキテクチャを開発した。 提案フレームワークは,長期の時間的依存を捕捉するための因果的にマスキングされた注意機構と,セグメントセーリング時間とポート混雑状態を共同で予測するマルチタスク学習ヘッドを用いる。
  論文  参考訳（メタデータ） (2026-01-12T21:32:05Z)
• Predict-then-Optimize for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks Stream [5.75432978300135]
  現代の海港におけるパワーロジスティクスのスケジューリングは、予測に最適化されたパイプラインに従うのが一般的である。 予測モデルのトレーニングを下流の意思決定結果と整合させる決定中心の学習法が提案されている。 このギャップを、オンラインのスケジューリングタスクのストリームに適応する意思決定中心の継続的学習フレームワークで解決する。
  論文  参考訳（メタデータ） (2025-11-11T07:36:08Z)
• Predicting Barge Tow Size on Inland Waterways Using Vessel Trajectory Derived Features: Proof of Concept [0.0]
  本研究では,機械学習(ML)を用いた曳航船数予測にAIS(Automatic Identification System)船体追跡データを用いた新しい手法を提案する。 モデルの訓練と試験のために、ミシシッピ川下流の衛星シーンからバージのインスタンスが注釈付けされた。 提案手法は,MDA(Maritime Domain Awareness)を,ロックスケジューリング,ポート管理,および貨物計画に強力な応用で拡張する,スケーラブルで容易に実装可能な手法を提供する。
  論文  参考訳（メタデータ） (2025-10-28T01:51:23Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Predictive Analysis for Optimizing Port Operations [5.268909485011467]
  本研究の目的は, 船舶のトータル時間と遅延時間を推定するための, 競合予測と分類機能を備えた港湾操業ソリューションの開発である。 提案するソリューションは、ポート環境における意思決定を支援し、サービス遅延を予測するために設計されている。
  論文  参考訳（メタデータ） (2024-01-25T20:29:07Z)
• Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
  本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。 我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。 提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T09:15:22Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• 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)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)
• Incorporating travel behavior regularity into passenger flow forecasting [11.763229353978321]
  本稿では, 生成機構を標準時系列モデルに組み込むことで, 搭乗フローを予測するための新しいフレームワークを提案する。 我々は,因果関係を要約し,逆流を推定するリターン確率パラレルグラム(RPP)を開発した。 提案手法は,現実の乗客フローデータを用いて評価する。
  論文  参考訳（メタデータ） (2020-04-02T13:46:01Z)

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。