論文の概要: Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks

• arxiv url: http://arxiv.org/abs/2509.18109v1
• Date: Tue, 09 Sep 2025 19:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.365382
• Title: Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks
• Title（参考訳）: AISトラックを用いた格子内容器型の機械学習による分類
• Authors: Jonatan Katz Nielsen,
• Abstract要約: 本稿では,AISデータのみを用いて移動船を分類する機械学習パイプラインを提案する。 我々は、バルト海のボルンホルム海峡をカバーするデンマーク海事局から8日間の歴史的AISを分析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate recognition of vessel types from Automatic Identification System (AIS) tracks is essential for safety oversight and combating illegal, unreported, and unregulated (IUU) activity. This paper presents a strait-scale, machine-learning pipeline that classifies moving vessels using only AIS data. We analyze eight days of historical AIS from the Danish Maritime Authority covering the Bornholm Strait in the Baltic Sea (January 22-30, 2025). After forward/backward filling voyage records, removing kinematic and geospatial outliers, and segmenting per-MMSI tracks while excluding stationary periods ($\ge 1$ h), we derive 31 trajectory-level features spanning kinematics (e.g., SOG statistics), temporal, geospatial (Haversine distances, spans), and ship-shape attributes computed from AIS A/B/C/D reference points (length, width, aspect ratio, bridge-position ratio). To avoid leakage, we perform grouped train/test splits by MMSI and use stratified 5-fold cross-validation. Across five classes (cargo, tanker, passenger, high-speed craft, fishing; N=1{,}910 trajectories; test=382), tree-based models dominate: a Random Forest with SMOTE attains 92.15% accuracy (macro-precision 94.11%, macro-recall 92.51%, macro-F1 93.27%) on the held-out test set, while a tuned RF reaches one-vs-rest ROC-AUC up to 0.9897. Feature-importance analysis highlights the bridge-position ratio and maximum SOG as the most discriminative signals; principal errors occur between cargo and tanker, reflecting similar transit behavior. We demonstrate operational value by backfilling missing ship types on unseen data and discuss improvements such as DBSCAN based trip segmentation and gradient-boosted ensembles to handle frequent-stop ferries and further lift performance. The results show that lightweight features over AIS trajectories enable real-time vessel type classification in straits.
• Abstract（参考訳）: 自動識別システム(AIS)のトラックから船種を正確に認識することは、安全を監視し、違法で報告されていない、規制されていない(IUU)活動と戦うために不可欠である。 本稿では,AISデータのみを用いて移動船を分類する階層規模の機械学習パイプラインを提案する。 バルト海ボルンホルム海峡(2025年1月22日-30日)を包括するデンマーク海洋庁の8日間の歴史的AISを分析した。 AIS A/B/C/D基準点(長さ,幅,アスペクト比,橋梁配置比)から計算した船形属性を,前/後ろ向きの航海記録,キネマティック・ジオスペーシャル・アウトレーラの除去,MMSIトラック毎のセグメント化,静止時間を除く31の軌道レベル特徴(例:SOG統計)を導出した。 漏洩を避けるため、MMSIによるグループ化列車/テスト分割を行い、階層化された5倍のクロスバリデーションを使用する。 5つのクラス(貨物、タンカー、旅客、高速船、漁船、N=1{,}910軌道、試験=382)で、SMOTEを持つランダムフォレストは92.15%の精度(マクロ精度94.11%、マクロリコール92.51%、マクロF1 93.27%)を達成し、チューリングされたRFは1-vs-rest ROC-AUCまで0.9897まで到達した。 特徴重要度分析は、最も識別的な信号として橋梁位置比と最大SOGを強調しており、貨物とタンカーの主な誤差は、同様の輸送挙動を反映している。 そこで本研究では,DBSCANをベースとした旅行セグメンテーションや,頻繁に停止するフェリーを扱える勾配発泡アンサンブルなどの改良点について検討し,船種を未確認データにバックフィルすることで,運用価値を実証する。 その結果、AIS軌道上の軽量な特徴により、海峡内のリアルタイムな船舶型分類が可能であることが示唆された。

関連論文リスト

• SEAL: Steerable Reasoning Calibration of Large Language Models for Free [58.190800043449336]
  大規模言語モデル(LLM)は、拡張チェーン・オブ・ソート(CoT)推論機構を通じて複雑な推論タスクに魅力的な機能を示した。 最近の研究では、CoT推論トレースにかなりの冗長性が示されており、これはモデル性能に悪影響を及ぼす。 我々は,CoTプロセスをシームレスに校正し,高い効率性を示しながら精度を向上する,トレーニング不要なアプローチであるSEALを紹介した。
  論文  参考訳（メタデータ） (2025-04-07T02:42:07Z)
• A Methodology to extract Geo-Referenced Standard Routes from AIS Data [0.0]
  本研究では,海洋における関心点間の経路を解析し,地理的に基準となる経路を抽出する手法を提案する。 このアプローチは、北極地域とヨーロッパ、中東、北アフリカ地域をカバーする6年間のAISデータセットのデータに基づいてテストされている。
  論文  参考訳（メタデータ） (2025-03-26T13:29:41Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• 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)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)

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。