論文の概要: Trend Extrapolation for Technology Forecasting: Leveraging LSTM Neural Networks for Trend Analysis of Space Exploration Vessels
- arxiv url: http://arxiv.org/abs/2512.19727v1
- Date: Wed, 17 Dec 2025 05:28:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.599649
- Title: Trend Extrapolation for Technology Forecasting: Leveraging LSTM Neural Networks for Trend Analysis of Space Exploration Vessels
- Title（参考訳）: 技術予測のためのトレンド外挿:宇宙探査船のトレンド分析のためのLSTMニューラルネットワークの活用
- Authors: Peng-Hung Tsai, Daniel Berleant,
- Abstract要約: このレビューは、機械学習ベースのハイブリッドモデルへのトレンドを浮き彫りにしている。
長い短期記憶(LSTM)ニューラルネットワークとムーアの法則を組み合わせて宇宙船寿命を予測するモデルを開発した。
結果は、宇宙ミッションの計画と政策決定に関する洞察を与える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting technological advancement in complex domains such as space exploration presents significant challenges due to the intricate interaction of technical, economic, and policy-related factors. The field of technology forecasting has long relied on quantitative trend extrapolation techniques, such as growth curves (e.g., Moore's law) and time series models, to project technological progress. To assess the current state of these methods, we conducted an updated systematic literature review (SLR) that incorporates recent advances. This review highlights a growing trend toward machine learning-based hybrid models. Motivated by this review, we developed a forecasting model that combines long short-term memory (LSTM) neural networks with an augmentation of Moore's law to predict spacecraft lifetimes. Operational lifetime is an important engineering characteristic of spacecraft and a potential proxy for technological progress in space exploration. Lifetimes were modeled as depending on launch date and additional predictors. Our modeling analysis introduces a novel advance in the recently introduced Start Time End Time Integration (STETI) approach. STETI addresses a critical right censoring problem known to bias lifetime analyses: the more recent the launch dates, the shorter the lifetimes of the spacecraft that have failed and can thus contribute lifetime data. Longer-lived spacecraft are still operating and therefore do not contribute data. This systematically distorts putative lifetime versus launch date curves by biasing lifetime estimates for recent launch dates downward. STETI mitigates this distortion by interconverting between expressing lifetimes as functions of launch time and modeling them as functions of failure time. The results provide insights relevant to space mission planning and policy decision-making.
- Abstract（参考訳）: 宇宙探査のような複雑な領域における技術的進歩の予測は、技術的な、経済的な、そして政策関連の要素の複雑な相互作用によって大きな課題を呈する。
技術予測の分野は、成長曲線(例えばムーアの法則)や時系列モデルといった量的トレンド外挿技術に依存して、技術の進歩を推し進めてきた。
これらの手法の現況を評価するため,最近の進歩を取り入れた新たな体系的文献レビュー(SLR)を行った。
このレビューは、機械学習ベースのハイブリッドモデルへのトレンドを浮き彫りにしている。
本研究では,長期記憶(LSTM)ニューラルネットワークとムーアの法則を組み合わせ,宇宙船の寿命を予測する予測モデルを開発した。
運用寿命は、宇宙船の重要な工学的特性であり、宇宙探査の技術的進歩の代替となる可能性がある。
ライフサイクルは打ち上げ日と追加の予測器によってモデル化された。
我々のモデリング分析は、最近導入されたSTETI(Start Time End Time Integration)アプローチの新たな進歩を紹介します。
STETIは、バイアス寿命分析(英語版)として知られる重要な権利検閲問題に対処する: 打ち上げ日が近ければなるほど、宇宙船の寿命が短くなり、結果として寿命データに寄与する。
長寿命の宇宙船はまだ運用されており、そのためデータを提供していない。
これにより、最近の打ち上げ日の寿命推定値を下向きにバイアスすることで、寿命と打ち上げ日曲線を体系的に歪める。
STETIはこの歪みを軽減し、寿命を表す関数を起動時間の関数として変換し、失敗時間の関数としてモデル化する。
結果は、宇宙ミッションの計画と政策決定に関する洞察を与える。
関連論文リスト
- A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。
本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。
その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
論文 参考訳（メタデータ） (2025-09-17T17:10:18Z) - A Decade of Deep Learning for Remote Sensing Spatiotemporal Fusion: Advances, Challenges, and Opportunities [2.2311172523629637]
本稿では,過去10年間のリモートセンシングSTFにおけるディープラーニングの進歩に関する包括的調査について紹介する。
我々は,CNN,トランスフォーマー,GAN(Generative Adrial Networks),拡散モデル,シーケンスモデルなど,ディープラーニングアーキテクチャの分類を確立した。
時間空間の衝突、データセット間の一般化、大規模処理の計算効率、マルチソース異種融合、ベンチマークの多様性の不足といった5つの重要な課題を特定した。
論文 参考訳（メタデータ） (2025-04-01T15:30:48Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting [69.4265346261936]
時間的・空間的要因を統一するExtralongerを導入する。
これは特に、現実のベンチマークで1週間まで予測の地平を広げている。
長期および長期のシナリオで新しい標準を設定する。
論文 参考訳（メタデータ） (2024-10-30T04:28:20Z) - Predicting the energetic proton flux with a machine learning regression algorithm [0.0]
最大1時間前に陽子束を予測できる機械学習回帰アルゴリズムを提案する。
このアプローチは、深宇宙と地球近傍の両方の環境における放射線リスクの監視システムを改善するのに役立つかもしれない。
論文 参考訳（メタデータ） (2024-06-18T15:54:50Z) - State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。
新たな画像は、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを探索する余地があることを示唆している。
論文 参考訳（メタデータ） (2024-06-13T12:51:22Z) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳（メタデータ） (2024-05-15T12:07:43Z) - Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics
for Temporal Modeling [13.38194491846739]
我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。
KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。
これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
論文 参考訳（メタデータ） (2023-09-19T03:42:55Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z)
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。