論文の概要: Wind speed prediction using multidimensional convolutional neural networks

• arxiv url: http://arxiv.org/abs/2007.12567v1
• Date: Sat, 4 Jul 2020 20:48:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:36:19.015383
• Title: Wind speed prediction using multidimensional convolutional neural networks
• Title（参考訳）: 多次元畳み込みニューラルネットワークによる風速予測
• Authors: Kevin Trebing and Siamak Mehrkanoon
• Abstract要約: 本稿では,風速予測タスクのための畳み込みニューラルネットワーク(CNN)に基づくモデルを提案する。 従来のCNNモデルと比較して,提案モデルでは風速データより優れた特徴付けが可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.228711636020665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate wind speed forecasting is of great importance for many economic, business and management sectors. This paper introduces a new model based on convolutional neural networks (CNNs) for wind speed prediction tasks. In particular, we show that compared to classical CNN-based models, the proposed model is able to better characterise the spatio-temporal evolution of the wind data by learning the underlying complex input-output relationships from multiple dimensions (views) of the input data. The proposed model exploits the spatio-temporal multivariate multidimensional historical weather data for learning new representations used for wind forecasting. We conduct experiments on two real-life weather datasets. The datasets are measurements from cities in Denmark and in the Netherlands. The proposed model is compared with traditional 2- and 3-dimensional CNN models, a 2D-CNN model with an attention layer and a 2D-CNN model equipped with upscaling and depthwise separable convolutions.
• Abstract（参考訳）: 正確な風速予測は多くの経済、ビジネス、管理分野において非常に重要である。 本稿では,風速予測タスクのための畳み込みニューラルネットワーク(CNN)に基づく新しいモデルを提案する。 特に,従来のcnnモデルと比較して,入力データの多次元(ビュー)から基礎となる複雑な入出力関係を学習することにより,風力データの時空間的変化をよりよく特徴付けることができることを示した。 提案モデルは,風速予測に使用される新しい表現を学習するために,時空間多次元気象データを利用した。 実生活の気象データセットを2つ実験する。 データセットはデンマークとオランダの都市からの測定である。 提案モデルは,従来の2次元CNNモデルと3次元CNNモデル,注目層を持つ2D-CNNモデル,およびアップスケーリングと深部分離可能な畳み込みを備えた2D-CNNモデルと比較する。

関連論文リスト

• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Visual-information-driven model for crowd simulation using temporal convolutional network [1.712689361909955]
  本稿では,視覚情報駆動(VID)群群シミュレーションモデルを提案する。 VIDモデルは、過去の社会的視覚情報と個人の動きデータに基づいて、次のステップで歩行者の速度を予測する。 歩行者の視覚情報を抽出するために,レーダ・ジオメトリ・ロコモーション法が確立された。 時空間畳み込みネットワーク(TCN)に基づく深層学習モデルであるSocial-visual TCNを開発した。
  論文  参考訳（メタデータ） (2023-11-06T09:58:04Z)
• 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)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• A Concurrent CNN-RNN Approach for Multi-Step Wind Power Forecasting [0.0]
  風力予測は、意思決定において高い確実性を持つことによって、電力システムの計画を支援する。 この課題を解決するための1つのアプローチは、地理的グリッドを横断する複数の地点からの気象情報を利用して、風力発電所の以前の出力からの時間情報とともに、風のパターンの全体像を得ることである。 提案したCNN-RNNアーキテクチャは,畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)を組み合わせて,多次元入力データから空間的および時間的情報を抽出し,日々の予測を行う。
  論文  参考訳（メタデータ） (2023-01-02T15:31:16Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Multistream Graph Attention Networks for Wind Speed Forecasting [4.644923443649426]
  本稿では,グラフ注意ネットワーク(GAT)に基づく風速予測の新しいモデルを提案する。 特に,提案モデルでは,学習可能な隣接行列を用いてGATアーキテクチャを拡張した。 風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
  論文  参考訳（メタデータ） (2021-08-16T12:58:26Z)

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。