論文の概要: A Novel Framework for Spatio-Temporal Prediction of Environmental Data
Using Deep Learning
- arxiv url: http://arxiv.org/abs/2007.11836v2
- Date: Tue, 22 Dec 2020 14:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 12:13:52.662688
- Title: A Novel Framework for Spatio-Temporal Prediction of Environmental Data
Using Deep Learning
- Title（参考訳）: 深層学習を用いた環境データの時空間予測のための新しい枠組み
- Authors: Federico Amato, Fabian Guignard, Sylvain Robert, Mikhail Kanevski
- Abstract要約: 本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。
具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。
実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the role played by statistical and computational sciences in climate and
environmental modelling and prediction becomes more important, Machine Learning
researchers are becoming more aware of the relevance of their work to help
tackle the climate crisis. Indeed, being universal nonlinear function
approximation tools, Machine Learning algorithms are efficient in analysing and
modelling spatially and temporally variable environmental data. While Deep
Learning models have proved to be able to capture spatial, temporal, and
spatio-temporal dependencies through their automatic feature representation
learning, the problem of the interpolation of continuous spatio-temporal fields
measured on a set of irregular points in space is still under-investigated. To
fill this gap, we introduce here a framework for spatio-temporal prediction of
climate and environmental data using deep learning. Specifically, we show how
spatio-temporal processes can be decomposed in terms of a sum of products of
temporally referenced basis functions, and of stochastic spatial coefficients
which can be spatially modelled and mapped on a regular grid, allowing the
reconstruction of the complete spatio-temporal signal. Applications on two case
studies based on simulated and real-world data will show the effectiveness of
the proposed framework in modelling coherent spatio-temporal fields.
- Abstract（参考訳）: 気候と環境のモデリングと予測において、統計学と計算科学が果たす役割がより重要になるにつれて、機械学習の研究者たちは、気候危機に取り組むための彼らの研究の関連性をより認識するようになった。
実際、普遍非線形関数近似ツールである機械学習アルゴリズムは、空間的および時間的変数の環境データを分析およびモデル化するのに効率的である。
深層学習モデルは自動特徴表現学習によって空間的,時間的,時空間的,時空間的依存関係を捉えることができるが,空間内の不規則点の集合上で測定された連続時空間の補間の問題はまだ検討されていない。
このギャップを埋めるために、ディープラーニングを用いて気候と環境データの時空間予測を行うフレームワークを紹介します。
具体的には,時間的基準関数の積の和で時空間過程を分解し,空間的にモデル化し,正規格子上にマッピングできる確率空間係数を用いて,時空間の完全な時空間信号の再構成を可能にする。
シミュレーションと実世界のデータに基づく2つのケーススタディの応用は、コヒーレント時空間場モデリングにおける提案フレームワークの有効性を示す。
関連論文リスト
- Graph Masked Autoencoder for Spatio-Temporal Graph Learning [38.085962443141206]
都市センシングの分野では,交通分析,人体移動評価,犯罪予測において,効果的な時間的予測の枠組みが重要な役割を担っている。
空間的および時間的データにデータノイズと空間性が存在することは、ロバスト表現を学習する上で、既存のニューラルネットワークモデルにとって大きな課題となる。
実効時間データ拡張のための新しい自己教師型学習パラダイムを提案する。
論文 参考訳（メタデータ） (2024-10-14T07:33:33Z) - Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳（メタデータ） (2024-05-15T12:07:43Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳（メタデータ） (2023-10-09T16:17:42Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - Unraveled Multilevel Transformation Networks for Predicting
Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。
合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
論文 参考訳（メタデータ） (2022-03-16T14:44:05Z) - Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。
本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文 参考訳（メタデータ） (2021-06-14T04:31:15Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z) - CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。
本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
論文 参考訳（メタデータ） (2020-08-06T17:58:48Z)
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。