雑音のあるデータ学習機械学習における船舶運動モデリングのためのAIS伝送挙動のアンフォールディング【JST・京大機械翻訳】

Spadon Gabriel; Ferreira Martha D.; Soares Amilcar; Matwin Stan

プレプリント

J-GLOBAL ID：202202214282673864 整理番号：22P0296479

雑音のあるデータ学習機械学習における船舶運動モデリングのためのAIS伝送挙動のアンフォールディング【JST・京大機械翻訳】

Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月24日プレプリントサーバーでの情報更新日： 2022年07月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

海洋は複雑なデータの印象的な混合物の源であり,まだ発見すべき関係を明らかにするのに使用できる。そのようなデータは,船舶の軌跡を追跡するために使用する自動識別システム(AIS)メッセージのような海洋とその表面から来る。AISメッセージは,理想的に周期的な時間間隔で無線または衛星上で伝送されるが,時間とともに不規則に変化する。そのようなように,本論文では,複数の容器からAISメッセージのコンテンツを予想するためのニューラルネットワークを通してAISメッセージ伝送挙動をモデル化することを目的とし,特に,メッセージの時間不規則性を異常値として,同時アプローチにおいて,特に同時のアプローチにおいて,その予測を行う。筆者らは,様々な長さの水平サイズを持つタスクを予測するための多重アルゴリズムから成る一連の実験を提示する。深層学習モデル(例えば,ニューラルネットワーク)は,時間的不規則性に関係なく,血管の空間認識を適切に保存することを明らかにした。畳み込み層,フィードフォワードネットワーク,およびリカレントニューラルネットワークが,一緒に働くことによりそのようなタスクを改善できる方法を示した。メッセージの短,中,および大サイズのシーケンスで,著者らのモデルは,相対比率差の36/37/38%を達成して,一方,ElmanのRNNで92/45/96%,GRUで5/45/40%,およびLSTMで129/98/61%を観察した。これらの結果は,時間雑音データの下で同時に発散型多重血管を解析するとき,血管経路の予測を改善するためのドライバとして著者らのモデルを支持する。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

航海と実務

, , , , , , , ,

前のページに戻る