論文の概要: A Retrieval-Enhanced Transformer for Multi-Step Port-of-Call Sequence Prediction in Global Liner Shipping

• arxiv url: http://arxiv.org/abs/2605.15937v1
• Date: Fri, 15 May 2026 13:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.290349
• Title: A Retrieval-Enhanced Transformer for Multi-Step Port-of-Call Sequence Prediction in Global Liner Shipping
• Title（参考訳）: グローバルライナーシップにおけるマルチステップポート・オブ・カルシークエンス予測のための検索強化型変圧器
• Authors: Yanzhao Su, Fang He, Yineng Wang,
• Abstract要約: 本研究では,CCRE(Connectivity-Constrained and Retrieval-Enhanced Deep Learning framework)を提案する。 Retrieval-Augmented GenerationにインスパイアされたCCREは、検索に強化された履歴エンコーダを導入する。 これらのシナリオを候補レベルのセマンティック表現に変換することで、ロングテールルートにおけるデータの分散を補正し、ルーティングの曖昧さを解決する。 CCREは72.3%、平均3段階の精度は61.4%で、それぞれ12.6%と11.3%の差でCatBoostやLSTMなどのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 6.316974670801592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate multi-step port-of-call sequence prediction is vital for tactical resource orchestration and logistical efficiency. However, existing methods struggle with unreliable voyage schedules and the inability of AIS data to provide visibility beyond the immediate next port. To address this, this study proposes a Connectivity-Constrained and Retrieval-Enhanced (CCRE) deep learning framework. Inspired by Retrieval-Augmented Generation, CCRE introduces a retrieval-enhanced historical encoder that queries a global maritime database for contextually similar navigational precedents. Transforming these scenarios into candidate-level semantic representations compensates for data sparsity in long-tail routes and resolves routing ambiguities. Integrating this with a Transformer-based trajectory encoder, the architecture executes adaptive "middle fusion" via cross-attention. This dynamically shifts predictive reliance from real-time kinematics for short-term accuracy to historical context for long-term strategic stability. To ensure sequence-level coherence, forecasting is formulated as a joint sequence generation problem using an autoregressive Transformer decoder enriched with Scheduled Sampling and Gumbel-Softmax relaxation. This mitigates error accumulation, while topology masks strictly enforce maritime network reachability to eliminate operationally infeasible routes. Evaluated on a global dataset, CCRE achieves a 72.3% first-destination accuracy and a 61.4% average three-step accuracy, outperforming baselines like CatBoost and LSTM by average margins of 12.6% and 11.3%, respectively. Case studies further corroborate the model's scalability and ability to capture complex routing patterns across diverse international trade lanes.
• Abstract（参考訳）: 正確なマルチステップのポート・オブ・コールシーケンス予測は、戦術的資源オーケストレーションと論理的効率にとって不可欠である。 しかし、既存の手法は信頼性の低い航海スケジュールとAISデータの欠如に悩まされ、すぐに次のポートを越えて可視性を提供する。 そこで本研究では,CCRE(Connectivity-Constrained and Retrieval-Enhanced Deep Learning framework)を提案する。 Retrieval-Augmented GenerationにインスパイアされたCCREは、検索に強化された履歴エンコーダを導入する。 これらのシナリオを候補レベルのセマンティック表現に変換することで、ロングテールルートにおけるデータの分散を補正し、ルーティングの曖昧さを解決する。 これをTransformerベースのトラジェクトリエンコーダと統合し、アーキテクチャはクロスアテンションを介して適応的な「中間融合」を実行する。 これは、短時間の精度でリアルタイムキネマティクスから長期の戦略的安定のために歴史的文脈へ予測依存を動的にシフトさせる。 シーケンスレベルのコヒーレンスを確保するために、スケジューリングサンプリングとGumbel-Softmax緩和に富んだ自己回帰トランスフォーマーデコーダを用いて、共同シーケンス生成問題として予測を定式化する。 このことはエラーの蓄積を軽減し、トポロジマスクは海洋ネットワークの到達性を厳格に強制し、運用上不可能なルートを除去する。 グローバルデータセットに基づいて評価すると、CCREは72.3%のファーストデスティネーション精度、61.4%の平均3ステップ精度を達成し、それぞれ12.6%と11.3%のマージンでCatBoostやLSTMといったベースラインを上回っている。 ケーススタディは、様々な国際貿易路にまたがる複雑なルーティングパターンを捕捉するモデルのスケーラビリティと能力をさらに裏付ける。

関連論文リスト

• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
  本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。 提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。 このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
  論文  参考訳（メタデータ） (2026-04-06T23:35:15Z)
• Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation [8.510813384980262]
  BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。 BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
  論文  参考訳（メタデータ） (2026-03-26T12:11:59Z)
• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
  STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。 このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:26:56Z)
• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [0.9282594860064428]
  本研究では,浸透率予測のための新しいディープラーニング型LSTM-Trans-Mixer-Attフレームワークを提案する。 提案するフレームワークは、シーケンシャルメモリ、静的特徴相互作用、グローバルコンテキスト学習、動的特徴重み付けを組み合わせたものである。 実世界の掘削データセットに対する実験的検証は優れた性能を示し、Rsquareは0.9991、MAPEは1.447%である。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Federated Smoothing Proximal Gradient for Quantile Regression with Non-Convex Penalties [3.269165283595478]
  IoT(Internet-of-Things)の分散センサーは、大量のスパースデータを生成する。 本稿では, 滑らか化機構をそのビューに統合し, 精度と計算速度を両立させる, 結合型滑らか化近位勾配(G)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-10T21:50:19Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
  本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。 これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。 我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
  論文  参考訳（メタデータ） (2021-12-13T13:19:45Z)

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。