論文の概要: Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability

• arxiv url: http://arxiv.org/abs/2001.00811v2
• Date: Tue, 18 Aug 2020 16:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 04:15:01.829988
• Title: Hydrological time series forecasting using simple combinations: Big data testing and investigations on one-year ahead river flow predictability
• Title（参考訳）: 簡易コンビネーションを用いた水文時系列予測:ビッグデータテストと河川流量予測可能性の1年間の検証
• Authors: Georgia Papacharalampous, Hristos Tyralis
• Abstract要約: 我々は,水文時系列予測の新しい単純で柔軟な方法論を提示し,評価する。 この手法は(a)少なくとも2つの個人予測法と(b)予測の中央結合器に依存している。 評価は, 約600駅から90年の平均河川流量時系列データを用いて行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Delivering useful hydrological forecasts is critical for urban and agricultural water management, hydropower generation, flood protection and management, drought mitigation and alleviation, and river basin planning and management, among others. In this work, we present and appraise a new simple and flexible methodology for hydrological time series forecasting. This methodology relies on (a) at least two individual forecasting methods and (b) the median combiner of forecasts. The appraisal is made by using a big dataset consisted of 90-year-long mean annual river flow time series from approximately 600 stations. Covering large parts of North America and Europe, these stations represent various climate and catchment characteristics, and thus can collectively support benchmarking. Five individual forecasting methods and 26 variants of the introduced methodology are applied to each time series. The application is made in one-step ahead forecasting mode. The individual methods are the last-observation benchmark, simple exponential smoothing, complex exponential smoothing, automatic autoregressive fractionally integrated moving average (ARFIMA) and Facebook's Prophet, while the 26 variants are defined by all the possible combinations (per two, three, four or five) of the five afore-mentioned methods. The new methodology is identified as well-performing in the long run, especially when more than two individual forecasting methods are combined within its framework. Moreover, the possibility of case-informed integrations of diverse hydrological forecasting methods within systematic frameworks is algorithmically investigated and discussed. The related investigations encompass linear regression analyses, which aim at finding interpretable relationships between the values of a representative forecasting performance metric and the values of selected river flow statistics...
• Abstract（参考訳）: 都市と農業の水道管理、水力発電、洪水保護と管理、干ばつ軽減と緩和、河川流域の計画と管理に有用な水文予測が不可欠である。 本研究では,水文時系列予測のための簡易かつ柔軟な方法論を提示し,評価する。 この方法論は (a)少なくとも2つの個別予測方法、及び b) 予測の中央値の組合せ この評価は、約600の駅から90年の平均河川流量時系列からなるビッグデータを用いて行われる。 北米とヨーロッパの大部分をカバーし、これらのステーションは様々な気候と捕食特性を表現し、ベンチマークを総合的に支援することができる。 導入した手法の5つの個別予測方法と26の変種を時系列毎に適用する。 アプリケーションは、ワンステップの予測モードで行われる。 個々のメソッドは、最後の観測ベンチマーク、単純な指数的滑らか化、複雑な指数的平滑化、自動回帰的分数化平均(ARFIMA)とFacebookのProphetであり、26の変種は、前述の5つのメソッドの可能なすべての組み合わせ(2つ、3つ、4つ、5つ)で定義される。 新しい手法は、特に2つ以上の個別予測手法をフレームワーク内で組み合わせた場合、長期的には良好に機能すると見なされる。 さらに, 体系的枠組みにおける多様な水文予測手法のケースインフォームド統合の可能性について, アルゴリズムによる検討と考察を行った。 関連する調査は, 代表的な予測性能指標の値と選択された河川流量統計値との解釈可能な関係を見出すことを目的とした線形回帰分析を含む。

関連論文リスト

• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• 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)
• Beyond Ensemble Averages: Leveraging Climate Model Ensembles for Subseasonal Forecasting [10.083361616081874]
  本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。 相対湿度, 海面圧力, 地電位高さなど, タグ付き数値アンサンブル予測および観測データをML法に取り入れた。 回帰、量子レグレッション、tercile 分類タスクでは、線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデルを用いて検討する。
  論文  参考訳（メタデータ） (2022-11-29T01:11:04Z)
• Efficient probabilistic reconciliation of forecasts for real-valued and count time series [0.840358257755792]
  本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。 次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
  論文  参考訳（メタデータ） (2022-10-05T14:22:24Z)
• Experimental study of time series forecasting methods for groundwater level prediction [0.0]
  私たちは1026の地下水位時系列のデータセットを作成しました。 各時系列は、地下水位と降雨と蒸発散の2つの変数を毎日測定して作成されている。 ローカルおよびグローバルな時系列予測手法を含む様々な予測器を比較した。 その結果, 過去の地下水位と降雨量について, グローバルな手法を訓練することで, 最良の予測が得られることがわかった。
  論文  参考訳（メタデータ） (2022-09-28T08:58:55Z)
• A two-step machine learning approach to statistical post-processing of weather forecasts for power generation [0.0]
  風と太陽のエネルギー源は非常に揮発性があり、グリッドオペレーターの計画が困難である。 本研究では、アンサンブル天気予報の校正のための2段階の機械学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-15T16:38:14Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Probabilistic water demand forecasting using quantile regression algorithms [0.0]
  我々は, 都市水需要予測の確率的1日予測のための数量的回帰型実践システムを自動化し, 広範囲に比較した。 その結果,線形ブースティングアルゴリズムを用いて設計した実用システムが最も好まれる。 平均値と中央値のコンバイナーの予測も一般的には巧妙であることがわかった。
  論文  参考訳（メタデータ） (2021-04-16T09:17:00Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。