論文の概要: CRHT: A Continuous Regression Hybrid Transformer for Vessel Trajectory Prediction with Online Cluster Sampling

• arxiv url: http://arxiv.org/abs/2608.10256v1
• Date: Mon, 10 Aug 2026 21:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.826489
• Title: CRHT: A Continuous Regression Hybrid Transformer for Vessel Trajectory Prediction with Online Cluster Sampling
• Title（参考訳）: CRHT:オンラインクラスタサンプリングによる容器軌道予測のための連続回帰ハイブリッドトランス
• Abstract要約: CRHT(Continuous Regression Hybrid Transformer)は、AIS(Automatic Identification System)データを用いて容器の動きを予測するためのディープラーニングフレームワークである。 我々のハイブリッドアーキテクチャは,局所的キネマティック特徴抽出のための1次元畳み込み層と,グローバルな時間的文脈のためのマルチヘッドアテンション機構を統合している。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate vessel trajectory prediction is critical for maritime safety and anomaly detection, yet existing models often struggle with geographic bias and navigational realism. We propose the Continuous Regression Hybrid Transformer (CRHT), a deep learning framework designed to forecast vessel motion using Automatic Identification System (AIS) data. To mitigate spatial data imbalance, we introduce an online K-means cluster sampling strategy that ensures diverse exposure to rare maneuvers during training. Our hybrid architecture integrates 1D convolutional layers for local kinematic feature extraction with a multi-head attention mechanism for global temporal context. CRHT demonstrates superior performance in short-term forecasting, achieving the lowest errors at the 1-hour horizon. The results demonstrate that while discrete models provide high navigational stability over long horizons, CRHT offers an optimal balance of precision and maneuver tracking for real-time maritime surveillance.
• Abstract（参考訳）: 正確な船舶軌道予測は海洋安全と異常検出に重要であるが、既存のモデルは地理的偏見と航法的リアリズムに悩まされることが多い。 自動識別システム(AIS)データを用いて容器の動きを予測するためのディープラーニングフレームワークであるCRHTを提案する。 空間データの不均衡を軽減するため,オンラインK平均クラスタサンプリング戦略を導入する。 我々のハイブリッドアーキテクチャは,局所的キネマティック特徴抽出のための1次元畳み込み層と,グローバルな時間的文脈のためのマルチヘッドアテンション機構を統合している。 CRHTは短期予測において優れた性能を示し、1時間水平線で最低誤差を達成している。 その結果、離散モデルでは長距離地平線上での航法安定性が向上する一方で、CRHTはリアルタイム海洋監視のための精度と操縦追跡の最適バランスが得られた。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• AR Forcing: Towards Long-Horizon Robot Navigation World Model [17.673862182236793]
  本稿では,自己回帰学習ループに標準拡散損失を統合する自己回帰学習戦略であるAR Forcingを提案する。 本手法では, 識別器の追加や分布整合損失は不要であり, 元の拡散フレームワークとサンプリング器を保持でき, 統合が容易である。
  論文  参考訳（メタデータ） (2026-05-29T13:45:33Z)
• 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)
• Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction [8.77587871192859]
  堅牢な多時間予測性能を維持するために,DA-MSDL(Drift-Aware Multi-Scale Dynamic Learning)フレームワークを提案する。 提案フレームワークは,非定常環境における品質モニタリングに有効なオンライン動的学習パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-04-10T14:30:57Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• TrAISformer -- A Transformer Network with Sparse Augmented Data Representation and Cross Entropy Loss for AIS-based Vessel Trajectory Prediction [9.281166430457647]
  船舶軌道予測は多くの海洋アプリケーションやサービスにおいて重要な役割を担っている。 AISデータを用いた血管軌跡の予測は、現代の機械学習技術においても困難である。 我々は、AISデータの離散的高次元表現と、異質性や多様性に明示的に対処するために設計された新しい損失関数を導入する。 TrAISformerは10海里から10時間以内の平均予測性能で最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2021-09-08T22:44:33Z)

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。