Navigating Complexity: Automating Maritime Decision-Making with Temporal Transformer-Based Embeddings and Scalable Clustering
Notice bibliographique
Résumé
The analysis of track data is fundamental to decision-making systems in domains such as maritime navigation, aviation, and logistics. Traditional reliance on handcrafted features and rule-based systems often struggles to scale with the increasing volume, variety, and complexity of data. This paper introduces an automated framework for maritime decision-making that leverages transformer-based embeddings and vector database technologies to overcome these limitations. Automatic Identification System (AIS) data, segmented into 12-hour chunks to optimize computational efficiency, is embedded into high-dimensional feature vectors using a time-series transformer. These embeddings are stored and queried in a scalable vector database, enabling efficient clustering and real-time anomaly detection. Extensive experiments validate the proposed system, demonstrating improvements in clustering accuracy, scalability, and classification performance. For instance, the Random Forest classifier achieved a weighted F1-score of 0.90, outperforming traditional handcrafted methods. Geospatial analysis confirmed the alignment of clustering results with real-world maritime patterns, underscoring the system's practical relevance. This work automates feature extraction, integrates advanced embedding and clustering techniques, and validates outputs through classification and annotation. The proposed framework not only addresses maritime challenges but also demonstrates adaptability to other domains, such as air traffic management and logistics. Future research will enhance clustering algorithms, incorporate predictive analytics, and extend the methodology to integrate multi-source data for broader applicability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».