論文の概要: Beyond the Next Port: A Multi-Task Transformer for Forecasting Future Voyage Segment Durations

• arxiv url: http://arxiv.org/abs/2601.08013v1
• Date: Mon, 12 Jan 2026 21:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.955999
• Title: Beyond the Next Port: A Multi-Task Transformer for Forecasting Future Voyage Segment Durations
• Title（参考訳）: 次世代ポートを超えて: 将来のボイジャーセグメンテーションを予測するためのマルチタスクトランスフォーマー
• Authors: Nairui Liu, Fang He, Xindi Tang,
• Abstract要約: 本研究は,将来のETA予測をセグメントレベルの時系列予測問題として再検討する。 本研究では, 過去の航行時間, 目的地港の混雑, および静的容器記述子を統合するトランスフォーマーアーキテクチャを開発した。 提案フレームワークは,長期の時間的依存を捕捉するための因果的にマスキングされた注意機構と,セグメントセーリング時間とポート混雑状態を共同で予測するマルチタスク学習ヘッドを用いる。
• 参考スコア（独自算出の注目度）: 3.9443085703523706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasts of segment-level sailing durations are fundamental to enhancing maritime schedule reliability and optimizing long-term port operations. However, conventional estimated time of arrival (ETA) models are primarily designed for the immediate next port of call and rely heavily on real-time automatic identification system (AIS) data, which is inherently unavailable for future voyage segments. To address this gap, the study reformulates future-port ETA prediction as a segment-level time-series forecasting problem. We develop a transformer-based architecture that integrates historical sailing durations, destination port congestion proxies, and static vessel descriptors. The proposed framework employs a causally masked attention mechanism to capture long-range temporal dependencies and a multi-task learning head to jointly predict segment sailing durations and port congestion states, leveraging shared latent signals to mitigate high uncertainty. Evaluation on a real-world global dataset from 2021 demonstrates the proposed model consistently outperforms a comprehensive suite of competitive baselines. The result shows a relative reduction of 4.85% in mean absolute error (MAE) and 4.95% in mean absolute percentage error (MAPE) compared with sequence baseline models. The relative reductions with gradient boosting machines are 9.39% in MAE and 52.97% in MAPE. Case studies for the major destination port further illustrate the model's superior accuracy.
• Abstract（参考訳）: セグメントレベルのセーリング期間の正確な予測は、海洋スケジュールの信頼性を高め、長期の港湾操業を最適化するために基礎となる。 しかし、従来の平均到着時刻(ETA)モデルは、主に次の呼び出しのポート用に設計されており、将来の航海セグメントでは本質的に利用できないリアルタイム自動識別システム(AIS)データに大きく依存している。 このギャップに対処するため,本研究では,将来のETA予測をセグメントレベルの時系列予測問題として再検討する。 本研究では, 過去の航海時間, 目的地港混雑プロキシ, 静的容器記述子を統合したトランスフォーマーアーキテクチャを開発した。 提案フレームワークは,長期の時間的依存を捕捉するための因果的にマスキングされた注意機構と,セグメントセーリング時間とポート混雑状態を共同で予測するマルチタスク学習ヘッドを用いて,共有潜時信号を利用して高い不確実性を緩和する。 2021年の現実世界のグローバルデータセットの評価では、提案されたモデルが、競争基準の包括的なスイートを一貫して上回っていることが示されている。 その結果、平均絶対誤差(MAE)が4.85%、平均絶対誤差(MAPE)が4.95%減少した。 勾配加速機による相対還元は、MAEが9.39%、MAPEが52.97%である。 主要目的地港のケーススタディでは、モデルの精度をさらに高めている。

関連論文リスト

• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• LTMSformer: A Local Trend-Aware Attention and Motion State Encoding Transformer for Multi-Agent Trajectory Prediction [6.520837230073969]
  軌道予測のための時間空間相互作用特徴を抽出する軽量なフレームワークLTMSformerを提案する。 また、アクセラレーション、ジャーク、誘導などの高次動作状態属性を組み込むモーションステートも構築しています。 実験の結果,HVT-64法はベースラインよりも優れ,minADE法は約4.35%,minFDE法8.74%,MR法20%の低下を示した。
  論文  参考訳（メタデータ） (2025-07-07T03:33:14Z)
• Temporal-IRL: Modeling Port Congestion and Berth Scheduling with Inverse Reinforcement Learning [13.45559229405042]
  モデルは、バーススケジューリングを学習し、終端における船舶シークエンシングを予測し、船舶港留置を推定する。 モデルをトレーニングし、テストし、明らかに優れた結果を得た。
  論文  参考訳（メタデータ） (2025-06-24T17:59:12Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• STAA: Spatio-Temporal Alignment Attention for Short-Term Precipitation Forecasting [9.177158814568887]
  SATAを時間的アライメントモジュールとし、STAUを時間的アライメント特徴抽出器とする、時間的アライメントに基づく短期降水予測モデル。 衛星データとERA5データに基づいて、我々のモデルはRMSEの12.61%の改善を達成し、最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-09-06T10:28:52Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。