Fugu-MT 論文翻訳(概要): Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment

論文の概要: Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment

arxiv url: http://arxiv.org/abs/2007.14052v3
Date: Sun, 17 Oct 2021 21:55:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 01:52:40.890701
Title: Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment
Title（参考訳）: 機能データを用いた多出力ガウス過程:沿岸洪水危険度評価に関する研究
Authors: A. F. L\'opez-Lopera, D. Idier, J. Rohmer, F. Bachoc
Abstract要約: 我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
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: Surrogate models are often used to replace costly-to-evaluate complex coastal codes to achieve substantial computational savings. In many of those models, the hydrometeorological forcing conditions (inputs) or flood events (outputs) are conveniently parameterized by scalar representations, neglecting that the inputs are actually time series and that floods propagate spatially inland. Both facts are crucial in flood prediction for complex coastal systems. Our aim is to establish a surrogate model that accounts for time-varying inputs and provides information on spatially varying inland flooding. We introduce a multioutput Gaussian process model based on a separable kernel that correlates both functional inputs and spatial locations. Efficient implementations consider tensor-structured computations or sparse-variational approximations. In several experiments, we demonstrate the versatility of the model for both learning maps and inferring unobserved maps, numerically showing the convergence of predictions as the number of learning maps increases. We assess our framework in a coastal flood prediction application. Predictions are obtained with small error values within computation time highly compatible with short-term forecast requirements (on the order of minutes compared to the days required by hydrodynamic simulators). We conclude that our framework is a promising approach for forecast and early-warning systems.
Abstract（参考訳）: サーロゲートモデルは、計算量を大幅に節約するために、費用対評価の複雑な海岸符号を置き換えるためにしばしば用いられる。これらのモデルの多くでは、水文学的な強制条件(入力)や洪水イベント(出力)はスカラー表現によって便利にパラメータ化され、入力は実際には時系列であり、洪水は内陸に伝播する。どちらの事実も複雑な沿岸システムの洪水予測に不可欠である。本研究の目的は, 時変入力を考慮し, 空間的に変化する内陸洪水に関する情報を提供するサーロゲートモデルの構築である。本稿では,関数入力と空間位置の両方を関連付ける分離可能なカーネルに基づく多出力ガウスプロセスモデルを提案する。効率的な実装はテンソル構造計算やスパース変分近似を考慮する。いくつかの実験において,学習マップ数の増加に伴う予測の収束を数値的に示すことにより,学習マップと観測されていないマップの両方に対するモデルの汎用性を示す。我々は,沿岸洪水予測アプリケーションにおける枠組みを評価する。予測は計算時間内の小さな誤差値で得られ、(流体力学シミュレータが要求する日数に比べて数分単位で)短時間の予測要件と高い互換性を持つ。我々のフレームワークは予測および早期警戒システムにとって有望なアプローチであると結論づけた。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
論文参考訳（メタデータ） (2024-03-18T20:18:32Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文参考訳（メタデータ） (2023-02-20T16:08:54Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
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)
Deep Convolutional Architectures for Extrapolative Forecast in Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文参考訳（メタデータ） (2022-09-18T03:45:56Z)
Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文参考訳（メタデータ） (2022-07-04T12:52:38Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。