論文の概要: Adaptive-Sensorless Monitoring of Shipping Containers
- arxiv url: http://arxiv.org/abs/2511.03022v1
- Date: Tue, 04 Nov 2025 21:47:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.257171
- Title: Adaptive-Sensorless Monitoring of Shipping Containers
- Title（参考訳）: 船舶容器の適応型センサレスモニタリング
- Authors: Lingqing Shen, Chi Heem Wong, Misaki Mito, Arnab Chakrabarti,
- Abstract要約: 私たちは3億4800万のデータポイントで、適応型センサレスモデルをトレーニングし、評価します。
ベースラインセンサレスモデルよりも一貫した改善が得られている。
アダプティブ・センサレスモデルは、より正確な貨物監視、早期のリスク検出、グローバルな輸送における完全な接続性への依存の軽減を可能にする。
- 参考スコア（独自算出の注目度）: 1.2461659734229817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring the internal temperature and humidity of shipping containers is essential to preventing quality degradation during cargo transportation. Sensorless monitoring -- machine learning models that predict the internal conditions of the containers using exogenous factors -- shows promise as an alternative to monitoring using sensors. However, it does not incorporate telemetry information and correct for systematic errors, causing the predictions to differ significantly from the live data and confusing the users. In this paper, we introduce the residual correction method, a general framework for correcting for systematic biases in sensorless models after observing live telemetry data. We call this class of models ``adaptive-sensorless'' monitoring. We train and evaluate adaptive-sensorless models on the 3.48 million data points -- the largest dataset of container sensor readings ever used in academic research -- and show that they produce consistent improvements over the baseline sensorless models. When evaluated on the holdout set of the simulated data, they achieve average mean absolute errors (MAEs) of 2.24 $\sim$ 2.31$^\circ$C (vs 2.43$^\circ$C by sensorless) for temperature and 5.72 $\sim$ 7.09% for relative humidity (vs 7.99% by sensorless) and average root mean-squared errors (RMSEs) of 3.19 $\sim$ 3.26$^\circ$C for temperature (vs 3.38$^\circ$C by sensorless) and 7.70 $\sim$ 9.12% for relative humidity (vs 10.0% by sensorless). Adaptive-sensorless models enable more accurate cargo monitoring, early risk detection, and less dependence on full connectivity in global shipping.
- Abstract（参考訳）: コンテナの内部温度と湿度のモニタリングは,貨物輸送における品質劣化防止に不可欠である。
センサレスモニタリング — 外因性要因を使ってコンテナの内部状態を予測する機械学習モデル — は、センサを使用した監視に代わるものとして、有望であることを示している。
しかし、テレメトリ情報を組み込まず、体系的な誤りを正し、生データと大きく異なる予測をし、ユーザを混乱させる。
本稿では,センサレスモデルにおいて,ライブテレメトリデータを観測し,系統的バイアスを補正するための一般的な枠組みである残差補正法を紹介する。
私たちはこのモデルのクラスを '<adaptive-Sensorless'' モニタリングと呼んでいる。
我々は3億4800万のデータポイント(学術研究で使用されるコンテナセンサーの最大のデータセット)で適応型センサレスモデルをトレーニングし、評価し、ベースラインのセンサレスモデルに対して一貫した改善をもたらすことを示す。
シミュレーションデータのホールドアウトセットで評価すると、平均絶対誤差が2.24$\sim$2.31$^\circ$C (vs 2.43$^\circ$C by sensorless)、相対湿度が5.72$\sim$7.09%、平均ルート平均二乗誤差が3.19$\sim$3.26$^\circ$C for temperature (vs 3.38$^\circ$C by sensorless)、相対湿度が9.12%(vs 10.0%)となる。
アダプティブ・センサレスモデルは、より正確な貨物監視、早期のリスク検出、グローバルな輸送における完全な接続性への依存の軽減を可能にする。
関連論文リスト
- MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。
これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。
アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
論文 参考訳（メタデータ） (2024-07-22T09:58:29Z) - Deep convolutional neural networks for cyclic sensor data [0.0]
本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。
本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
論文 参考訳（メタデータ） (2023-08-14T07:51:15Z) - Multidimensional analysis using sensor arrays with deep learning for
high-precision and high-accuracy diagnosis [0.0]
本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。
データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
論文 参考訳（メタデータ） (2022-11-30T16:14:55Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
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。