論文の概要: Hybrid Attention Networks for Flow and Pressure Forecasting in Water Distribution Systems

• arxiv url: http://arxiv.org/abs/2004.05828v2
• Date: Tue, 14 Apr 2020 03:48:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:16:12.380244
• Title: Hybrid Attention Networks for Flow and Pressure Forecasting in Water Distribution Systems
• Title（参考訳）: 配水系統における流れ・圧力予測のためのハイブリッド注意ネットワーク
• Authors: Ziqing Ma and Shuming Liu and Guancheng Guo and Xipeng Yu
• Abstract要約: 本稿では,HDS-RNNモデルを用いた2段階空間時空間注意型リカレントニューラルネットワークを提案する。 本モデルは,空間的注意に基づくエンコーダと時間的注意に基づくデコーダの2段階からなる。 実世界のデータセットの実験を行い、我々のモデルがフローおよびプレッシャー系列予測において9つのベースラインモデルより優れていたことを実証した。
• 参考スコア（独自算出の注目度）: 3.6704226968275258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate geo-sensory time series prediction is challenging because of the complex spatial and temporal correlation. In urban water distribution systems (WDS), numerous spatial-correlated sensors have been deployed to continuously collect hydraulic data. Forecasts of monitored flow and pressure time series are of vital importance for operational decision making, alerts and anomaly detection. To address this issue, we proposed a hybrid dual-stage spatial-temporal attention-based recurrent neural networks (hDS-RNN). Our model consists of two stages: a spatial attention-based encoder and a temporal attention-based decoder. Specifically, a hybrid spatial attention mechanism that employs inputs along temporal and spatial axes is proposed. Experiments on a real-world dataset are conducted and demonstrate that our model outperformed 9 baseline models in flow and pressure series prediction in WDS.
• Abstract（参考訳）: 多変量ジオ感覚時系列予測は複雑な空間的および時間的相関のため困難である。 都市水配水システム (WDS) では, 連続的なデータ収集のために多数の空間関連センサが配置されている。 監視フローと圧力時系列の予測は、運用上の意思決定、警告、異常検出において極めて重要である。 この問題に対処するため,我々は2段階の時空間注意型リカレントニューラルネットワーク(hDS-RNN)を提案する。 本モデルは,空間的注意に基づくエンコーダと時間的注意に基づくデコーダの2段階からなる。 具体的には,時間軸と空間軸に沿った入力を利用するハイブリッド空間アテンション機構を提案する。 実世界のデータセットの実験を行い,WDSにおける流れおよび圧力系列予測において,我々のモデルが9つのベースラインモデルより優れていることを示した。

関連論文リスト

• 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)
• Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow Prediction [13.426775574655135]
  交通流予測のためのマルチスケール時空間リカレントネットワーク(MSSTRN)を提案する。 本研究では,適応的な位置グラフの畳み込みを自己認識機構に統合し,空間的時間的依存関係の同時捕捉を実現する空間的時間的同期的注意機構を提案する。 本モデルは,全20基準法と比較して,非自明なマージンで最高の予測精度を実現する。
  論文  参考訳（メタデータ） (2023-10-12T08:52:36Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction [1.321203201549798]
  二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 3つの実験セットが実際の交通データセット上で実施され、DL-STFEEが空間的特徴を効果的に捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-07-22T12:15:41Z)
• Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
  我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。 まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。 次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
  論文  参考訳（メタデータ） (2021-11-25T16:49:01Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Interpretable Crowd Flow Prediction with Spatial-Temporal Self-Attention [16.49833154469825]
  群衆の流れを予測する最も難しい部分は、複雑な空間的・時間的依存関係を測定することである。 時空間表現全体を計算するためのST符号化ゲートを備えた時空間自己認識ネットワーク(STSAN)を提案する。 交通および移動データに関する実験結果から,提案手法はTaxi-NYCデータセット上でRMSEの流入と流出を16%減らし,8%減らすことを示した。
  論文  参考訳（メタデータ） (2020-02-22T12:43:11Z)

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。