論文の概要: Historical Knowledge Graphs for Global Maritime Estimated Time of Arrival

• arxiv url: http://arxiv.org/abs/2605.18408v1
• Date: Mon, 18 May 2026 13:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.645195
• Title: Historical Knowledge Graphs for Global Maritime Estimated Time of Arrival
• Title（参考訳）: 大域海事推定時刻の歴史的知識グラフ
• Authors: Neofytos Dimitriou,
• Abstract要約: 本稿では,自動識別システム(AIS)データのみを用いて,歴史的海洋知識グラフを構築する手法を提案する。 このグラフは、軌道を反復的に処理し、船舶の種類、走行時間、走行方向によって成層された速度分布を記憶することによって構築される。 グラフは、階層的で優先度の高いシステムを通じて、任意の2つの場所間の旅行時間予測を検索するためにクエリすることができる。
• 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: Accurate vessel estimated-time-of-arrival forecasts are critical for port operations and decarbonization, yet global-scale travel-time prediction remains difficult without costly contextual data. Herein, I present a methodology for constructing a historical maritime knowledge graph using only Automatic Identification System (AIS) data. First, segmented trajectories are extracted from noisy AIS data using a Gaussian-mixture-model-based preprocessing pipeline. The graph is then constructed by iteratively processing the trajectories and storing speed distributions stratified by vessel type, time of travel, and direction of travel; the resulting global graph comprises 5,433 geohash-3 nodes and 12,334 edges. The graph can be queried to retrieve travel-time predictions between any two location via a hierarchical, priority-based system that uses historical statistics with principled fallback. On a temporally held-out test set, median RMSE is 22.75 min (segment-level) and 30.90 min (trajectory-level), with 69.1% of trajectories within 20% of actual arrival time. On a second external test set, median RMSE is 27.36 min (segment-level) and 37.46 min (trajectory-level), with 62.1% of trajectories within 20%. These results corroborate the promise of our method, enabling global travel-time prediction and providing a strong foundation for just-in-time arrival planning and emissions reduction.
• Abstract（参考訳）: 港の操業や脱炭には正確な船体推定時間予測が不可欠であるが、コストのかかる状況データなしでは、グローバルな旅行時間予測は難しいままである。 本稿では,自動識別システム(AIS)データのみを用いて,歴史的海洋知識グラフを構築する手法を提案する。 まず、ガウス混合モデルに基づく前処理パイプラインを用いて、ノイズの多いAISデータからセグメント軌道を抽出する。 得られたグローバルグラフは、5,433のジオハッシュ3ノードと12,334のエッジからなる。 このグラフは、階層的で優先度の高いシステムを通じて、2つの場所間の旅行時間予測を検索することができる。 時間的に保留されたテストセットでは、RMSEの中央値は22.75分(セグメンテーションレベル)と30.90分(軌道レベル)であり、実際の到着時間の20%以内の軌道の69.1%である。 第2の外部テストセットでは、RMSEの中央値は27.36分(セグメンテーションレベル)と37.46分(軌道レベル)であり、軌道の62.1%は20%以内である。 これらの結果は,本手法の可能性を裏付けるものであり,グローバルな旅行時間予測を可能にし,ジャストインタイムの到着計画と排出削減のための強力な基盤を提供する。

関連論文リスト

• Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
  我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。 この特性を将来のグラフ構造に関する条件予測に活用する。 これにより、予測地平線にのみ現れる視線を予測できる。
  論文  参考訳（メタデータ） (2026-04-20T15:04:20Z)
• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• 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)
• The NetMob25 Dataset: A High-resolution Multi-layered View of Individual Mobility in Greater Paris Region [64.30214722988666]
  本稿では,提案したデータセットのサーベイ設計,収集プロトコル,処理手法,特徴について述べる。 データセットには、人口統計、社会経済、家庭の特徴を記述した個人データベース(i)、タイムスタンプ、輸送モード、旅行目的を含む8,000以上の注釈付き変位を持つトリプスデータベース(ii)、約5億の高周波ポイントからなるRaw GPSトレースデータベース(iii)の3つのコンポーネントが含まれている。
  論文  参考訳（メタデータ） (2025-06-06T09:22:21Z)
• Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning [9.458664533786994]
  本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。 シンガポールの2つの実世界のデータセットに関する試験が行われ、以下の有望な結果が得られた。
  論文  参考訳（メタデータ） (2024-03-15T02:25:04Z)
• 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)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Constructing Trajectory and Predicting Estimated Time of Arrival for Long Distance Travelling Vessels: A Probability Density-based Scanning Approach [4.181498820782148]
  提案手法の精度は92.08%であり,シンガポールとオーストラリアの港間での航路全体に対して0.959R- Squared値が選択された。 The Estimated Time of Arrival (ETA) prediction is based on the Physics and mathematical law given by the extract information of probability density-based trajectories constructed。
  論文  参考訳（メタデータ） (2022-05-13T13:29:13Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)

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。