Fugu-MT 論文翻訳(概要): AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks

論文の概要: AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks

arxiv url: http://arxiv.org/abs/2606.06311v1
Date: Thu, 04 Jun 2026 15:52:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-05 22:39:44.917477
Title: AIS-Based Vessel Trajectory Prediction Using Memory-Augmented Neural Networks
Title（参考訳）: メモリ強化ニューラルネットワークを用いたAISに基づく容器軌道予測
Authors: Wonmo Koo, Sanha Chang, Heeyoung Kim,
Abstract要約: 本稿では,AIS(Automatic Identification System)データを用いたメモリベース軌道予測の実証的研究を行う。メキシコ湾とニューヨーク湾からのデータによる実験は、一貫した、実質的なパフォーマンスの向上を示している。
参考スコア（独自算出の注目度）: 8.717253904965371
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate vessel trajectory prediction is essential for safe and efficient maritime operations, enabling collision avoidance and supporting route optimization. Although memory-augmented neural networks have recently shown strong performance in pedestrian and road-vehicle trajectory prediction by selectively retrieving relevant information from an external memory, their potential for vessel trajectory prediction remains underexplored. This paper presents an empirical investigation of memory-based trajectory prediction using Automatic Identification System (AIS) data. Experiments on data from the Gulf of Mexico and the New York Bight demonstrate consistent and substantial performance gains over a range of deep learning baselines that do not incorporate an external memory.
Abstract（参考訳）: 船舶の正確な軌道予測は、安全かつ効率的な海洋活動に不可欠であり、衝突回避と経路最適化の支援を可能にする。記憶増強型ニューラルネットワークは近年,外部メモリから関連情報を選択的に取得することで,歩行者や道路車両の軌道予測において高い性能を示したが,船体軌道予測の可能性はいまだ検討されていない。本稿では,AIS(Automatic Identification System)データを用いたメモリベース軌道予測の実証的研究を行う。メキシコ湾とニューヨーク湾からのデータに関する実験では、外部メモリを組み込まないさまざまなディープラーニングベースラインに対して、一貫性があり、実質的なパフォーマンス向上が示されている。

関連論文リスト

Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
論文参考訳（メタデータ） (2025-07-29T03:32:01Z)
A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field [12.067838086415833]
本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
論文参考訳（メタデータ） (2023-09-19T22:14:52Z)
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)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies [1.525943491541265]
本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
論文参考訳（メタデータ） (2021-07-04T06:31:59Z)
Deep Learning Methods for Vessel Trajectory Prediction based on Recurrent Neural Networks [13.193080011901381]
エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
論文参考訳（メタデータ） (2021-01-07T11:05:47Z)
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)
Modeling Historical AIS Data For Vessel Path Prediction: A Comprehensive Treatment [5.0283137924084205]
近年,国際規模の大型商業船に義務付けられているため,自動識別システム(AIS)が重要な役割を担っている。 AISデータに基づく船体経路予測は、将来の海洋インテリジェンスにとって有望な方法である。本研究では, 船舶経路の正確な予測を行うために, 大規模歴史的AIS軌道セグメントをモデル化するための包括的枠組みを提案する。
論文参考訳（メタデータ） (2020-01-02T09:16:40Z)

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。