論文の概要: TempTPI: Informer-Based trajectory prediction for maritime vessels

• arxiv url: http://arxiv.org/abs/2609.09840v1
• Date: Wed, 09 Sep 2026 07:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.942257
• Title: TempTPI: Informer-Based trajectory prediction for maritime vessels
• Title（参考訳）: TempTPI:インフォーマーによる海産船舶の軌道予測
• Abstract要約: 本研究では,Informerベースのエンコーダとマルチチャネル時間符号化機構を統合した新しい予測フレームワークであるTempTPIを提案する。 デンマーク海域のAISデータを用いて,最先端のTPTransアーキテクチャに対する本モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate long-term trajectory prediction for maritime vessels is essential for safety and logistical efficiency. While deep learning models, particularly Transformers, have shown promise in processing Automatic Identification System (AIS) data, they often struggle with the quadratic computational complexity of self-attention and the loss of accuracy over extended forecasting horizons. This study proposes TempTPI, a novel prediction framework that integrates an Informer-based encoder with a multi-channel temporal encoding mechanism. The Informer architecture leverages a ProbSparse self-attention mechanism to reduce computational overhead and focus on the most significant dependencies, while the temporal encoder utilizes Fourier-like frequency expansions to capture cyclic patterns (hourly, daily, and seasonal) in vessel behavior. We evaluate our model against the state-of-the-art TPTrans architecture using AIS data from Danish waters. Experimental results demonstrate that TempTPI consistently outperforms existing methods across prediction windows of 1 to 5 hours. Notably, at a 5-hour horizon, the proposed model achieves a 55% improvement in Mean Squared Error (MSE), offering a robust solution for long-range maritime situational awareness.
• Abstract（参考訳）: 海上船舶の正確な長期軌道予測は、安全と物流効率に不可欠である。 ディープラーニングモデル、特にトランスフォーマーは、自動識別システム(AIS)データを処理することを約束しているが、彼らはしばしば、自己注意の2次計算の複雑さと、予測水平線の拡張による精度の喪失に苦慮している。 本研究では,Informerベースのエンコーダとマルチチャネル時間符号化機構を統合した新しい予測フレームワークであるTempTPIを提案する。 InformerアーキテクチャはProbSparseの自己アテンション機構を活用して計算オーバーヘッドを減らし、最も重要な依存関係に集中する一方、時間エンコーダはフーリエのような周波数拡張を使用して、容器の挙動における循環パターン(時間、日、季節)をキャプチャする。 デンマーク海域のAISデータを用いて,最先端のTPTransアーキテクチャに対する本モデルの評価を行った。 実験の結果,TempTPIは1時間から5時間で既存の手法よりも優れていた。 特に、5時間の地平線で提案されたモデルは平均正方形誤差(MSE)を55%改善し、長距離海洋状況認識のための堅牢なソリューションを提供する。

関連論文リスト

• KFTD: Koopman-Fourier Time-Differentiable Network for Continuous Ocean Spatiotemporal Forecasting [29.65266366119026]
  時相連続2段階パラダイムであるKFTD(Time-Differentiable Network)を提案する。 軽量残留ネットワークは、最終予測を得るために高忠実度中間状態を消費する。 拡散モデルとは異なり、KFTDDEはマルチステップノイズをサンプリングし、連続的にシステムを進化させ、4つの計算スピードアップをもたらす。
  論文  参考訳（メタデータ） (2026-06-06T03:53:39Z)
• 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)
• Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning [11.2212153491325]
  本稿では,重大不均衡データの存在下での納期遅延予測のためのマルチタスク深層学習モデルを提案する。 提案モデルは,産業パートナーによる大規模実世界のデータセットを用いて評価する。 実験結果から,提案手法は平均絶対誤差が0.67-0.91日であることがわかった。
  論文  参考訳（メタデータ） (2026-02-23T19:01:03Z)
• Beyond the Next Port: A Multi-Task Transformer for Forecasting Future Voyage Segment Durations [3.9443085703523706]
  本研究は,将来のETA予測をセグメントレベルの時系列予測問題として再検討する。 本研究では, 過去の航行時間, 目的地港の混雑, および静的容器記述子を統合するトランスフォーマーアーキテクチャを開発した。 提案フレームワークは,長期の時間的依存を捕捉するための因果的にマスキングされた注意機構と,セグメントセーリング時間とポート混雑状態を共同で予測するマルチタスク学習ヘッドを用いる。
  論文  参考訳（メタデータ） (2026-01-12T21:32:05Z)
• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet [10.773673764125439]
  部分的・雑音的な観測を補足した機械学習サロゲートを用いたオンライン天気予報について検討した。 サロゲートの長期間の不安定性と観測の空間性にもかかわらず、フィルタリング推定は長期間の地平線において正確である。
  論文  参考訳（メタデータ） (2024-05-21T20:06:12Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。