論文の概要: Hierarchical Two-Stage Framework for Environment-Aware Long-Horizon Vessel Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2605.16442v1
• Date: Fri, 15 May 2026 00:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.406989
• Title: Hierarchical Two-Stage Framework for Environment-Aware Long-Horizon Vessel Trajectory Prediction
• Title（参考訳）: 環境に配慮した長距離船舶軌道予測のための階層的2段階構造
• Authors: Ganeshaaraj Gnanavel, Tharindu Fernando, Sridha Sridharan, Clinton Fookes,
• Abstract要約: 本稿では,粗い長期予測器とグリッド対応短期予測器を組み合わせた階層型2段階フレームワークを提案する。 統合された環境モジュールは、表面電流、風ベクトル、顕著な波高を含む海洋パラメータを含む。 我々のフレームワークは、平均変位誤差(ADE)が25%、最終変位誤差(FDE)が17%上回っている。
• 参考スコア（独自算出の注目度）: 30.034731404731634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon vessel trajectory forecasting under real ocean conditions is critical for collision avoidance, traffic management, and route planning. However, achieving accurate predictions is challenging due to long-range temporal dependencies and dynamic environmental factors such as currents, wind, and waves. To address these issues, we propose a hierarchical two-stage framework that combines a coarse long-term predictor with a grid-aware short-term predictor through a hierarchical fusion mechanism. The short-term branch leverages a Spatio-Temporal Graph Transformer on discretized maritime cells to capture localized dynamics, while the long-term branch encodes overarching navigational intent. An integrated environmental module incorporates oceanographic parameters, including surface currents, wind vectors, and significant wave height, using cross-modal attention and feature-wise modulation for adaptive response to varying sea conditions. Additionally, a learnable Savitzky-Golay smoothing layer enhances temporal coherence in fused trajectories. We evaluate our approach on Australian Craft Tracking System (CTS) data from the North West region, aligned with Copernicus Marine Service products, using a 3-hour input and a 10-hour prediction horizon. Experimental results show that our framework outperforms the state-of-the-art by 25% in Average Displacement Error (ADE) and 17% in Final Displacement Error (FDE). Ablation studies further validate the contribution of each component.
• Abstract（参考訳）: 海洋環境下での長距離船舶軌道予測は, 衝突回避, 交通管理, ルート計画において重要である。 しかし、長期の時間的依存と、電流、風、波動などの動的環境要因により、正確な予測を達成することは困難である。 これらの問題に対処するため、階層的融合機構を用いて、粗い長期予測器とグリッド対応短期予測器を組み合わせた階層的2段階フレームワークを提案する。 短期ブランチは、離散化された海洋細胞上の時空間グラフトランスフォーマーを利用して局所的なダイナミクスをキャプチャし、長期ブランチはナビゲーション意図を符号化する。 統合された環境モジュールは、海面電流、風のベクトル、大きな波高を含む海洋パラメータを組み込んでおり、海面の異なる条件に適応するために、クロスモーダルな注意と特徴的変調を用いている。 さらに、学習可能なSavitzky-Golay平滑化層は、融合軌道における時間的コヒーレンスを高める。 我々は,3時間入力と10時間の予測地平線を用いて,コペルニクス海洋サービス製品と整合した北西地域のオーストラリア工芸品追跡システム(CTS)データに対するアプローチを評価した。 実験の結果, 平均変位誤差 (ADE) は25%, 最終変位誤差 (FDE) は17%, 最先端は25%であった。 アブレーション研究は各成分の寄与をさらに検証する。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
  単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。 プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。 本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
  論文  参考訳（メタデータ） (2026-04-06T18:14:53Z)
• LongFly: Long-Horizon UAV Vision-and-Language Navigation with Spatiotemporal Context Integration [49.676794850174325]
  LongFlyは、長距離UAV VLNのための履歴認識時間モデリングフレームワークである。 断片化され、冗長な履歴データを構造化され、コンパクトで表現力のある表現に変換する。 最先端のUAV VLNベースラインを7.89%、成功率6.33%で上回っている。
  論文  参考訳（メタデータ） (2025-12-26T12:09:40Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• 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)

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。