論文の概要: Towards Long-Horizon Vessel Trajectory and Destination Forecasting with Reasoning Large Language Models

• arxiv url: http://arxiv.org/abs/2606.08633v1
• Date: Sun, 07 Jun 2026 13:55:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.306916
• Title: Towards Long-Horizon Vessel Trajectory and Destination Forecasting with Reasoning Large Language Models
• Title（参考訳）: 大規模言語モデルに基づく長距離船舶軌道と運命予測に向けて
• Authors: Hongwei Wang, Miao Zhou, Fengde Wang, Yuting Wang, Jiewen Yu, Jun-Yan He, Bohao Qu, Wanbing Zhang, Xiuju Fu, Qing Guo, Zipei Fan, Yingying Xing, Yi Yuan,
• Abstract要約: 本稿では, 推論可能な大言語モデルを用いた長距離船体軌道と目的地予測について検討する。 RLVR(Reinforcement Learning with Verifiable Reward)に基づく海上LLMポストトレーニングフレームワークの開発 実験結果から,RLVR学習LLMはゼロショットLLMと代表的なディープラーニングベースラインよりも大幅に向上していることがわかった。
• 参考スコア（独自算出の注目度）: 23.05328480428193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon maritime trajectory prediction is important for shipping management, logistics planning, and maritime risk analysis, yet month-level forecasting remains insufficiently studied. Existing deep learning methods mainly focus on short- and mid-term coordinate extrapolation and often struggle to preserve route feasibility and destination correctness over extended horizons. This paper investigates joint long-horizon vessel trajectory and destination forecasting with reasoning-capable large language models, and develops a Maritime LLM post-training framework based on Reinforcement Learning with Verifiable Reward (RLVR). An AIS-based benchmark is constructed with 60-day historical trajectories and 30-day forecasting horizons, where trajectories are converted into semantic textual representations for RL prompt construction. RLVR aligns LLMs with maritime forecasting objectives by enforcing physical validity, providing early-weighted trajectory supervision, and evaluating destination correctness through hierarchical matching and curriculum learning. Experimental results show that RLVR-trained LLMs substantially improve over zero-shot LLMs and representative deep learning baselines, especially on destination-related metrics. Among the evaluated RLVR-trained variants, 4B LLMs achieve the best overall performance, suggesting that reward-compatible optimization and task-specific capacity matching are more important than simply using larger 8B or 14B LLMs. The results also show that LSTM remains a strong deep learning baseline under limited fine-tuning data, while Transformer-style spatio-temporal models typically require larger datasets and richer structured inputs. Overall, this work advances semantic, verifier-aligned maritime forecasting for operational decision support.
• Abstract（参考訳）: 海上長期航路予測は, 船舶管理, 物流計画, 海洋リスク分析において重要であるが, 月レベルでの予測は十分に研究されていない。 既存のディープラーニング手法は主に短期的・中期的な座標外挿に重点を置いており、拡張地平線上での経路実現可能性と目的地の正当性を維持するのに苦慮することが多い。 本稿では,大言語モデルを用いた長距離船体軌道と目的地予測を共同で検討し,Reinforcement Learning with Verifiable Reward (RLVR)に基づく海上LLMポストトレーニングフレームワークを開発した。 AISベースのベンチマークは、60日間の履歴軌跡と30日間の予測水平線で構築され、そこでは軌道をRLプロンプト構築のための意味的なテキスト表現に変換する。 RLVRは、LLMを物理的妥当性を強制し、早期に重み付けされた軌道監視を提供し、階層的なマッチングとカリキュラム学習を通じて目的地の正しさを評価することによって、海洋予測目標と整合する。 実験結果から,RLVR学習LLMはゼロショットLLMと代表的な深層学習ベースライン,特に目的地関連指標よりも大幅に向上していることがわかった。 評価されたRLVR学習版のうち、4B LLMは、より大きな8Bまたは14B LLMを使用するよりも、報酬互換性のある最適化とタスク固有のキャパシティマッチングが重要であることを示唆している。 また,Transformerスタイルの時空間モデルでは,より大規模なデータセットとよりリッチな構造化入力が要求されるのに対し,LSTMは限られた微調整データの下では強力なディープラーニングベースラインであることを示す。 全体として、この作業は、運用上の意思決定支援のためのセマンティック、検証者対応の海事予測を前進させる。

関連論文リスト

• MIRA: Memory-Integrated Reinforcement Learning Agent with Limited LLM Guidance [18.215893951726166]
  大規模言語モデル(LLM)は、早期学習を容易にするサブゴール分解、可塑性軌跡、抽象的な事前情報を提供することができる。 本稿では,MIRA (Memory-Integrated Reinforcement Learning Agent) を提案する。
  論文  参考訳（メタデータ） (2026-02-20T01:43:30Z)
• PILOT: Planning via Internalized Latent Optimization Trajectories for Large Language Models [51.43746425777865]
  大規模言語モデル(LLM)は、しばしばグローバル戦略を定式化する能力に欠けており、長い水平タスクにおけるエラーの伝播につながる。 PILOTは,大規模モデルの戦略的監視を本質的な潜伏誘導に内部化するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T12:38:56Z)
• Reinforcement Learning on Pre-Training Data [55.570379963147424]
  我々は,大規模言語モデル(LLM)を最適化するための新しい訓練時間スケーリングパラダイムである,事前学習データ(R)の強化学習を紹介する。 Rは、有意義な軌道を自律的に探索し、事前学習データから学び、強化学習(RL)を通してその能力を向上させる。 複数のモデルにわたる一般領域および数学的推論ベンチマークの広範な実験は、Rの有効性を検証した。
  論文  参考訳（メタデータ） (2025-09-23T17:10:40Z)
• Reinforcement Learning Meets Large Language Models: A Survey of Advancements and Applications Across the LLM Lifecycle [66.80133103857703]
  強化学習(RL)は、大規模言語モデル(LLM)の推論とアライメント性能を著しく向上させた。 本調査は, RL と LLM の交差点における最新の発展とフロンティアの動向を研究者や実践者に提示することを目的としている。
  論文  参考訳（メタデータ） (2025-09-20T13:11:28Z)
• Large Language Models for Single-Step and Multi-Step Flight Trajectory Prediction [5.666505394825739]
  本研究では,大型言語モデル(LLM)を用いた飛行軌道予測の先駆的手法として,言語モデリング問題として再検討した。 具体的には、航空機の状態とADS-B飛行データから航空機を抽出し、プロンプトベースのデータセットを構築する。 データセットはLSMを微調整するために使用され、正確な予測のために複雑な時間パターンを学習することができる。
  論文  参考訳（メタデータ） (2025-01-29T07:35:56Z)
• Deciphering Cross-Modal Alignment in Large Vision-Language Models with Modality Integration Rate [118.37653302885607]
  本稿では,LVLM(Large Vision Language Models)のマルチモーダル事前学習品質を示すために,MIR(Modality Integration Rate)を提案する。 MIRは、トレーニングデータ選択、トレーニング戦略スケジュール、モデルアーキテクチャ設計に重点を置いて、トレーニング前の結果を改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:04Z)
• Evaluating the Effectiveness of Large Language Models in Representing and Understanding Movement Trajectories [1.3658544194443192]
  本研究は,運動軌跡を表現するAI基盤モデルの能力を評価することに焦点を当てる。 大規模言語モデルの一つ (LLM) を用いて, トラジェクトリの文字列形式を符号化し, トラジェクトリデータ解析における LLM に基づく表現の有効性を評価する。
  論文  参考訳（メタデータ） (2024-08-31T02:57:25Z)
• TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models [27.306180426294784]
  大規模言語モデル(LLM)を利用した新しい交通予測フレームワークであるTPLLMを紹介する。 本フレームワークでは,Lonal Neural Networks (LoCNNs) に基づくシーケンス埋め込み層と,Graph Contemporalal Networks (GCNs) に基づくグラフ埋め込み層を構築し,シーケンスの特徴と空間的特徴を抽出する。 実世界の2つのデータセットの実験では、フルサンプルと数ショットの予測シナリオの両方で、満足できるパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-03-04T17:08:57Z)
• An Exploratory Assessment of LLM's Potential Toward Flight Trajectory Reconstruction Analysis [3.3903227320938436]
  本研究は,ADS-B(Automatic Dependent Surveillance-Broadcast)データを用いた飛行経路の再構築に焦点を当てた。 この結果から, 線形および曲線の飛行軌跡のフィルタリングおよび推定におけるモデルの有効性が示唆された。 研究の洞察は、飛行軌道再構築におけるLCMの約束と、航空・輸送分野にまたがる幅広い応用のための新たな道を開くことを明確にしている。
  論文  参考訳（メタデータ） (2024-01-11T17:59:18Z)

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。