論文の概要: AIS-LLM: A Unified Framework for Maritime Trajectory Prediction, Anomaly Detection, and Collision Risk Assessment with Explainable Forecasting
- arxiv url: http://arxiv.org/abs/2508.07668v1
- Date: Mon, 11 Aug 2025 06:39:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.972554
- Title: AIS-LLM: A Unified Framework for Maritime Trajectory Prediction, Anomaly Detection, and Collision Risk Assessment with Explainable Forecasting
- Title（参考訳）: AIS-LLM: 説明可能な予測による海上軌道予測, 異常検出, 衝突リスク評価のための統一フレームワーク
- Authors: Hyobin Park, Jinwook Jung, Minseok Seo, Hyunsoo Choi, Deukjae Cho, Sekil Park, Dong-Geol Choi,
- Abstract要約: 時系列AISデータと大言語モデル(LLM)を統合する新しいフレームワークであるAIS-LLMを提案する。
このアーキテクチャは、軌道予測、異常検出、単一エンドツーエンドシステム内の容器衝突のリスク評価という、3つの重要なタスクを同時に実行可能にする。
AIS-LLMは,タスクアウトプットを総合的に分析して状況要約やブリーフィングを生成することにより,よりインテリジェントで効率的な海上交通管理の可能性を示す。
- 参考スコア（独自算出の注目度）: 7.615963953174766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increase in maritime traffic and the mandatory implementation of the Automatic Identification System (AIS), the importance and diversity of maritime traffic analysis tasks based on AIS data, such as vessel trajectory prediction, anomaly detection, and collision risk assessment, is rapidly growing. However, existing approaches tend to address these tasks individually, making it difficult to holistically consider complex maritime situations. To address this limitation, we propose a novel framework, AIS-LLM, which integrates time-series AIS data with a large language model (LLM). AIS-LLM consists of a Time-Series Encoder for processing AIS sequences, an LLM-based Prompt Encoder, a Cross-Modality Alignment Module for semantic alignment between time-series data and textual prompts, and an LLM-based Multi-Task Decoder. This architecture enables the simultaneous execution of three key tasks: trajectory prediction, anomaly detection, and risk assessment of vessel collisions within a single end-to-end system. Experimental results demonstrate that AIS-LLM outperforms existing methods across individual tasks, validating its effectiveness. Furthermore, by integratively analyzing task outputs to generate situation summaries and briefings, AIS-LLM presents the potential for more intelligent and efficient maritime traffic management.
- Abstract（参考訳）: 海上交通の増加と自動識別システム(AIS)の強制実施に伴い、船舶軌道予測、異常検出、衝突リスク評価などのAISデータに基づく海上交通分析タスクの重要性と多様性が急速に増大している。
しかし、既存のアプローチは個々のタスクに対処する傾向にあり、複雑な海洋状況を考えることは困難である。
この制限に対処するために,時系列AISデータと大言語モデル(LLM)を統合する新しいフレームワークであるAIS-LLMを提案する。
AIS-LLMは、AISシーケンスを処理するTime-Series Encoder、LLMベースのPrompt Encoder、時系列データとテキストプロンプト間のセマンティックアライメントを行うCross-Modality Alignment Module、LLMベースのMulti-Task Decoderで構成されている。
このアーキテクチャは、軌道予測、異常検出、単一エンドツーエンドシステム内の容器衝突のリスク評価という、3つの重要なタスクを同時に実行可能にする。
実験の結果,AIS-LLMは個々のタスクにまたがる既存の手法よりも優れており,その有効性が検証された。
さらに,タスクアウトプットを総合的に分析して状況要約やブリーフィングを生成することにより,AIS-LLMはよりインテリジェントで効率的な海上交通管理の可能性を示す。
関連論文リスト
- Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Graph Learning-Driven Multi-Vessel Association: Fusing Multimodal Data for Maritime Intelligence [6.674254442133529]
本稿では,海中マルチモーダルデータ融合に適したグラフ学習型マルチコンテナアソシエーション(GMvA)手法を提案する。
AISとCCTVデータを統合することで、GMvAは時系列学習とグラフニューラルネットワークを活用して、血管軌跡の特徴を効果的に捉える。
実世界の海洋データセットの実験は、GMvAがマルチターゲットアソシエーションにおいて優れた精度とロバスト性を提供することを確認した。
論文 参考訳（メタデータ） (2025-04-12T12:45:55Z) - Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:49:25Z) - Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。
TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
論文 参考訳（メタデータ） (2023-11-23T15:46:54Z) - Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。
提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。
この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
論文 参考訳（メタデータ） (2023-08-27T13:17:34Z) - Multi model LSTM architecture for Track Association based on Automatic
Identification System Data [2.094022863940315]
トラックアソシエーションのためのLong Short-Term Memory (LSTM) ベースのマルチモデルフレームワークを提案する。
我々は、精度、リコール、F1スコアなどの標準的なパフォーマンス指標を用いて、アプローチのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2023-04-04T03:11:49Z) - A CNN-LSTM Architecture for Marine Vessel Track Association Using
Automatic Identification System (AIS) Data [2.094022863940315]
本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。
提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
論文 参考訳（メタデータ） (2023-03-24T15:26:49Z) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-02-17T18:18:27Z) - A Spatio-temporal Track Association Algorithm Based on Marine Vessel
Automatic Identification System Data [5.453186558530502]
動的脅威環境でリアルタイムに移動する物体を追跡することは、国家安全保障と監視システムにおいて重要である。
動きの異常パターンを見つけるには、正確なデータアソシエーションアルゴリズムが必要である。
自動識別システムにより船舶の位置と姿勢の観察が収集されるとき, 海上船舶の追跡のための時間的アプローチを開発する。
論文 参考訳（メタデータ） (2020-10-29T20:11:38Z)
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。