論文の概要: On the suitability of generalized regression neural networks for GNSS
position time series prediction for geodetic applications in geodesy and
geophysics
- arxiv url: http://arxiv.org/abs/2005.11106v1
- Date: Fri, 22 May 2020 11:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 09:16:31.473927
- Title: On the suitability of generalized regression neural networks for GNSS
position time series prediction for geodetic applications in geodesy and
geophysics
- Title（参考訳）: GNSS位置時系列予測のための一般化回帰ニューラルネットワークの測地学・地球物理学への応用性について
- Authors: M. Kiani
- Abstract要約: 本稿では,一般化回帰ニューラルネットワークを用いて位置時系列を予測する。
ネットワークのトレーニングが大きいほど、時系列のタイムスパンによらず、精度が高い。
この機械学習アルゴリズムの結果を従来の統計手法と比較するために,Theta法を用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, the generalized regression neural network is used to predict
the GNSS position time series. Using the IGS 24-hour final solution data for
Bad Hamburg permanent GNSS station in Germany, it is shown that the larger the
training of the network, the higher the accuracy is, regardless of the time
span of the time series. In order to analyze the performance of the neural
network in various conditions, 14 permanent stations are used in different
countries, namely, Spain, France, Romania, Poland, Russian Federation, United
Kingdom, Czech Republic, Sweden, Ukraine, Italy, Finland, Slovak Republic,
Cyprus, and Greece. The performance analysis is divided into two parts,
continuous data-without gaps-and discontinuous ones-having intervals of gaps
with no data available. Three measure of error are presented, namely, symmetric
mean absolute percentage error, standard deviation, and mean of absolute
errors. It is shown that for discontinuous data the position can be predicted
with an accuracy of up to 6 centimeters, while the continuous data positions
present a higher prediction accuracy, as high as 3 centimeters. In order to
compare the results of this machine learning algorithm with the traditional
statistical approaches, the Theta method is used, which is well-established for
high-accuracy time series prediction. The comparison shows that the generalized
regression neural network machine learning algorithm presents better accuracy
than the Theta method, possibly up to 250 times. In addition, it is
approximately 4.6 times faster.
- Abstract（参考訳）: 本稿では、一般化回帰ニューラルネットワークを用いて、GNSS位置時系列を予測する。
ドイツのbad hamburg permanent gnssステーションにおけるigs24時間最終解データを用いて,ネットワークのトレーニング規模が大きくなるほど,時系列の時間範囲に関係なく精度が向上することを示した。
様々な状況下でニューラルネットワークのパフォーマンスを分析するために、スペイン、フランス、ルーマニア、ポーランド、ロシア連邦、イギリス、チェコ、スウェーデン、ウクライナ、イタリア、フィンランド、スロバキア、キプロス、ギリシャなど14の恒久的なステーションが使用されている。
性能分析は、連続したデータなしギャップと不連続なデータなしギャップの間隔の2つの部分に分けられる。
誤差の3つの尺度、すなわち対称平均絶対パーセンテージ誤差、標準偏差、絶対誤差の平均が提示される。
不連続データの場合、位置は最大6cmの精度で予測できるが、連続データ位置は3cmの精度で高い予測精度を示す。
この機械学習アルゴリズムの結果を従来の統計的手法と比較するために、高い精度の時系列予測のために確立されたtheta法が用いられる。
比較の結果、一般化回帰ニューラルネットワーク機械学習アルゴリズムは、おそらく最大250倍のtheta法よりも精度が良いことがわかった。
また、約4.6倍の速さである。
関連論文リスト
- Reliable Prediction Intervals with Regression Neural Networks [1.569545894307769]
本稿では,従来の回帰ニューラルネットワーク(NN)を拡張して,所要の信頼度を満たす予測間隔で生成する点予測を置き換える手法を提案する。
提案手法は,信頼度を予測に割り当てるための新しい機械学習フレームワークである Conformal Prediction (CP) に従う。
提案手法は,4つのベンチマークデータセットと,電離圏間リンクにおいて重要なパラメータであるトータル・エレクトロン・コンテント(TEC)の予測問題について評価する。
論文 参考訳（メタデータ） (2023-12-15T08:39:02Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳（メタデータ） (2022-12-17T09:39:39Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Accurate Prediction and Uncertainty Estimation using Decoupled
Prediction Interval Networks [0.0]
精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。
予測と予測間隔(PI)推定の学習を2段階の学習プロセスに分解することで、これを実現する。
提案手法を,合成データセットおよびUCIベンチマーク上での最先端不確実性定量化アルゴリズムと比較し,予測誤差を23～34%削減した。
論文 参考訳（メタデータ） (2022-02-19T19:31:36Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳（メタデータ） (2021-10-05T18:20:42Z) - Towards physically consistent data-driven weather forecasting:
Integrating data assimilation with equivariance-preserving deep spatial
transformers [2.7998963147546148]
一般的なデータ駆動天気予報モデルと統合する3つのコンポーネントを提案する。
これらのコンポーネントは,1) 等価性を維持するためにU-NETの潜伏空間に付加された深部空間トランスフォーマー,2) ノイズ観測を取り込み,次の予測に対する初期条件を改善するデータ同化アルゴリズム,3) 複数段階のアルゴリズムにより,短時間で予測の精度が向上する。
論文 参考訳（メタデータ） (2021-03-16T23:15:00Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
精度予測に非神経モデルを用いる別の手法について検討する。
我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。
NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
論文 参考訳（メタデータ） (2020-07-09T13:28:49Z) - Accuracy of neural networks for the simulation of chaotic dynamics:
precision of training data vs precision of the algorithm [0.0]
時系列に適応した3つの異なるニューラルネットワーク技術を用いて,異なる精度でLorenzシステムをシミュレートする。
その結果,ESNネットワークはシステムのダイナミクスを正確に予測する上で優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-08T17:25:37Z)
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。