論文の概要: Predicting Barge Tow Size on Inland Waterways Using Vessel Trajectory Derived Features: Proof of Concept

• arxiv url: http://arxiv.org/abs/2510.23994v1
• Date: Tue, 28 Oct 2025 01:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.715001
• Title: Predicting Barge Tow Size on Inland Waterways Using Vessel Trajectory Derived Features: Proof of Concept
• Title（参考訳）: 容器軌道導出特性を用いた内陸水路のバージトーサイズ予測:概念実証
• Authors: Geoffery Agorku, Sarah Hernandez, Hayley Hames, Cade Wagner,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate, real-time estimation of barge quantity on inland waterways remains a critical challenge due to the non-self-propelled nature of barges and the limitations of existing monitoring systems. This study introduces a novel method to use Automatic Identification System (AIS) vessel tracking data to predict the number of barges in tow using Machine Learning (ML). To train and test the model, barge instances were manually annotated from satellite scenes across the Lower Mississippi River. Labeled images were matched to AIS vessel tracks using a spatiotemporal matching procedure. A comprehensive set of 30 AIS-derived features capturing vessel geometry, dynamic movement, and trajectory patterns were created and evaluated using Recursive Feature Elimination (RFE) to identify the most predictive variables. Six regression models, including ensemble, kernel-based, and generalized linear approaches, were trained and evaluated. The Poisson Regressor model yielded the best performance, achieving a Mean Absolute Error (MAE) of 1.92 barges using 12 of the 30 features. The feature importance analysis revealed that metrics capturing vessel maneuverability such as course entropy, speed variability and trip length were most predictive of barge count. The proposed approach provides a scalable, readily implementable method for enhancing Maritime Domain Awareness (MDA), with strong potential applications in lock scheduling, port management, and freight planning. Future work will expand the proof of concept presented here to explore model transferability to other inland rivers with differing operational and environmental conditions.
• Abstract（参考訳）: 内陸水路における樹皮量の正確なリアルタイム推定は, 樹皮の自走性や既存のモニタリングシステムの限界のため, 依然として重要な課題である。 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) 容器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、バージのインスタンスはミシシッピ川下流の衛星シーンから手動で注釈付けされた。 ラベル付き画像は時空間整合法を用いてAIS血管軌跡と一致した。 血管形状, 動的運動, 軌跡パターンを抽出し, 再帰的特徴除去 (RFE) を用いて解析し, 予測変数の同定を行った。 アンサンブル,カーネルベース,一般化線形アプローチを含む6つの回帰モデルを訓練し,評価した。 ポアソン・レグレッショナー・モデルは最高の性能を示し、30機能のうち12機能を使用して1.92バージの平均絶対誤差(MAE)を達成した。 特徴的重要性分析の結果, 航路エントロピー, 速度変動, 走行距離などの船体操作性の計測値が最も有意な予測値であることが判明した。 提案手法は,MDA(Maritime Domain Awareness)を拡張可能なスケーラブルで実装可能な手法であり,ロックスケジューリングやポート管理,貨物計画などに強力な応用が期待できる。 今後の研究は、異なる運用環境と環境条件の異なる他の内陸河川へのモデル転送可能性を探るため、ここで提示された概念実証を拡大する。

関連論文リスト

• Enhancing Maritime Domain Awareness on Inland Waterways: A YOLO-Based Fusion of Satellite and AIS for Vessel Characterization [0.0]
  内陸水路におけるMDA(Maritime Domain Awareness)は,協調システムの脆弱性によって問題視されている。 本稿では,高解像度衛星画像と自動識別システム(AIS)の容器軌道データとを融合する新しい枠組みを提案する。 You Only Look Once (YOLO) v11オブジェクト検出モデルは、船舶タイプ、バージカバー、運用状況、バージカウント、旅行方向によって、船舶やバージを検出し、特徴付けるために使用される。
  論文  参考訳（メタデータ） (2025-10-13T14:19:58Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-09T19:52:43Z)
• Vision-driven River Following of UAV via Safe Reinforcement Learning using Semantic Dynamics Model [11.28895057233897]
  無人航空機による視覚駆動の自律川は、救助、監視、環境監視といった用途に欠かせない。 本稿では,報酬優位関数を改良したMarginal Gain Advantage Estimationを紹介する。 次に, セマンティック・ダイナミクス・モデルを構築し, セマンティック・ダイナミクス・モデルを構築した。 第3に、コスト優位性評価のためにアクター、コスト推定器、SDMを統合するConstrained Actor Dynamics Estimatorアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-13T17:39:09Z)
• Predicting Barge Presence and Quantity on Inland Waterways using Vessel Tracking Data: A Machine Learning Approach [0.0]
  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。
  論文  参考訳（メタデータ） (2024-12-31T19:28:21Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。