論文の概要: WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory

• arxiv url: http://arxiv.org/abs/2512.13190v1
• Date: Mon, 15 Dec 2025 10:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.629114
• Title: WAY: Estimation of Vessel Destination in Worldwide AIS Trajectory
• Title（参考訳）: WAY:世界規模のAIS軌道における容器の消耗の推定
• Authors: Jin Sob Kim, Hyun Joon Park, Wooseok Shin, Dongil Park, Sung Won Han,
• Abstract要約: 自動識別システム(AIS)は、データ駆動海洋監視を可能にするが、信頼性の問題や不規則な間隔に悩まされている。 本研究では,長いポート・ツー・ポートトラジェクトリをネスト配列構造として再キャストする差別化手法を提案する。 本稿では,これらの改良された軌跡を長期的目的地推定のために処理するためのディープラーニングアーキテクチャWAYを紹介する。
• 参考スコア（独自算出の注目度）: 13.6566226711564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Automatic Identification System (AIS) enables data-driven maritime surveillance but suffers from reliability issues and irregular intervals. We address vessel destination estimation using global-scope AIS data by proposing a differentiated approach that recasts long port-to-port trajectories as a nested sequence structure. Using spatial grids, this method mitigates spatio-temporal bias while preserving detailed resolution. We introduce a novel deep learning architecture, WAY, designed to process these reformulated trajectories for long-term destination estimation days to weeks in advance. WAY comprises a trajectory representation layer and Channel-Aggregative Sequential Processing (CASP) blocks. The representation layer generates multi-channel vector sequences from kinematic and non-kinematic features. CASP blocks utilize multi-headed channel- and self-attention for aggregation and sequential information delivery. Additionally, we propose a task-specialized Gradient Dropout (GD) technique to enable many-to-many training on single labels, preventing biased feedback surges by stochastically blocking gradient flow based on sample length. Experiments on 5-year AIS data demonstrate WAY's superiority over conventional spatial grid-based approaches regardless of trajectory progression. Results further confirm that adopting GD leads to performance gains. Finally, we explore WAY's potential for real-world application through multitask learning for ETA estimation.
• Abstract（参考訳）: 自動識別システム(AIS)は、データ駆動海洋監視を可能にするが、信頼性の問題や不規則な間隔に悩まされている。 我々は,長距離ポート・ツー・ポート軌道をネスト配列構造として再キャストする差別化アプローチを提案することで,グローバルスコープAISデータを用いた船舶の目的地推定に対処する。 空間格子を用いて、詳細な解像度を維持しながら時空間偏差を緩和する。 本稿では,これらの改良された軌跡を,長期の目的地推定日数から数週間前に処理するために設計した新しいディープラーニングアーキテクチャWAYを紹介する。 WAYは、軌道表現層とChannel-Aggregative Sequential Processing (CASP)ブロックから構成される。 表現層は、キネマティック特徴および非キネマティック特徴から多チャンネルベクトル列を生成する。 CASPブロックは、アグリゲーションとシーケンシャル情報配信にマルチヘッドチャネルとセルフアテンションを利用する。 さらに,単一ラベルでの多対多トレーニングを実現するためのタスク特化勾配降下(GD)手法を提案する。 5年間のAISデータを用いた実験は、軌道の進行によらず、従来の空間格子に基づくアプローチよりもWAYの方が優れていることを示した。 さらに、GDの採用によってパフォーマンスが向上することを確認した。 最後に,ATA推定のためのマルチタスク学習を通じて,WAYの現実的応用の可能性を探る。

関連論文リスト

• Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
  本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。 より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
  論文  参考訳（メタデータ） (2025-03-25T22:52:46Z)
• Diffusion Meets Options: Hierarchical Generative Skill Composition for Temporally-Extended Tasks [12.239868705130178]
  線形時間論理(LTL)によって規定された命令に基づいて計画の生成と更新を行うデータ駆動階層型フレームワークを提案する。 提案手法は,オフラインの非専門家データセットから階層的強化学習を用いて,時間的タスクを選択肢の連鎖に分解する。 バッチ生成における行列誘導後サンプリング手法を考案し,拡散生成オプションの速度と多様性を向上する。
  論文  参考訳（メタデータ） (2024-10-03T11:10:37Z)
• 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)
• 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)
• 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)
• Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
  PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。 SPOTは最先端の代替品よりも優れている。
  論文  参考訳（メタデータ） (2022-07-14T16:58:47Z)
• Deep Learning Methods for Vessel Trajectory Prediction based on Recurrent Neural Networks [13.193080011901381]
  エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。 提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。 デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
  論文  参考訳（メタデータ） (2021-01-07T11:05:47Z)

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。