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
- 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) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - 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) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳(メタデータ) (2022-06-07T16:12:17Z) - 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) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳(メタデータ) (2021-12-10T03:21:19Z) - 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) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Physics-aware Spatiotemporal Modules with Auxiliary Tasks for
Meta-Learning [21.63887801620823]
実世界の物理システムのダイナミクスは予測タスクには不可欠だが、データに制限がある場合には困難である。
本稿では,空間モジュールにPDEに依存しない知識が組み込まれ,時空間モジュールが空間モジュールから一般化された特徴を利用する,補助的タスクを伴う物理認識型メタラーニングフレームワークを提案する。
提案手法を実世界の時間的予測タスクの合成に応用し,その優れた性能を限られた観測で実証する。
論文 参考訳(メタデータ) (2020-06-15T23:51:40Z)
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。