論文の概要: Physics-informed Tensor-train ConvLSTM for Volumetric Velocity
Forecasting of Loop Current
- arxiv url: http://arxiv.org/abs/2008.01798v2
- Date: Sat, 18 Dec 2021 17:11:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 23:57:32.247204
- Title: Physics-informed Tensor-train ConvLSTM for Volumetric Velocity
Forecasting of Loop Current
- Title（参考訳）: ループ電流の体積速度予測のための物理インフォームテンソルトレインConvLSTM
- Authors: Yu Huang, Yufei Tang, Hanqi Zhuang, James VanZwieten, Laurent Cherubin
- Abstract要約: ループカレント(英: Loop Current)は、メキシコ湾におけるループカレント(LC)の速度、垂直構造、持続時間の週間予測である。
本稿では3次元地理空間データ予測のための物理インフォームド空間訓練ConvLSTMの有効性を示す。
- 参考スコア（独自算出の注目度）: 6.016102212809306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: According to the National Academies, a weekly forecast of velocity, vertical
structure, and duration of the Loop Current (LC) and its eddies is critical for
understanding the oceanography and ecosystem, and for mitigating outcomes of
anthropogenic and natural disasters in the Gulf of Mexico (GoM). However, this
forecast is a challenging problem since the LC behaviour is dominated by
long-range spatial connections across multiple timescales. In this paper, we
extend spatiotemporal predictive learning, showing its effectiveness beyond
video prediction, to a 4D model, i.e., a novel Physics-informed Tensor-train
ConvLSTM (PITT-ConvLSTM) for temporal sequences of 3D geospatial data
forecasting. Specifically, we propose 1) a novel 4D higher-order recurrent
neural network with empirical orthogonal function analysis to capture the
hidden uncorrelated patterns of each hierarchy, 2) a convolutional tensor-train
decomposition to capture higher-order space-time correlations, and 3) to
incorporate prior physic knowledge that is provided from domain experts by
informing the learning in latent space. The advantage of our proposed method is
clear: constrained by physical laws, it simultaneously learns good
representations for frame dependencies (both short-term and long-term
high-level dependency) and inter-hierarchical relations within each time frame.
Experiments on geospatial data collected from the GoM demonstrate that
PITT-ConvLSTM outperforms the state-of-the-art methods in forecasting the
volumetric velocity of the LC and its eddies for a period of over one week.
- Abstract（参考訳）: The National Academiesによると、循環流(LC)とその渦の速度、垂直構造、持続時間の週間予測は、海洋学と生態系を理解し、メキシコ湾における人為的・自然災害(GoM)の結果を緩和するために重要である。
しかし、LCの挙動は複数の時間スケールにわたる長距離空間接続に支配されているため、この予測は難しい問題である。
本稿では,映像予測を超えてその効果を示す時空間予測学習を4次元モデル(pitt-convlstm)に拡張した。
具体的には
1) 経験的直交関数解析を用いた新しい4次元高次リカレントニューラルネットワークにより, 各階層の隠れた非相関パターンを捉える。
2)高次時空相関を捉える畳み込みテンソル-トレイン分解と
3)潜在空間での学習を知らせることで、ドメインエキスパートから提供される事前の生理的知識を取り入れること。
提案手法の利点は、物理法則に制約され、フレーム依存(短期および長期の高レベル依存の両方)と階層間関係を同時に学習することである。
GoMから収集した地理空間データの実験により、PITT-ConvLSTMはLCとその渦の体積速度を1週間以上予測する最先端の手法よりも優れていることが示された。
関連論文リスト
- Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。
本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
論文 参考訳（メタデータ） (2024-06-17T07:36:57Z) - Disentangling Spatial and Temporal Learning for Efficient Image-to-Video
Transfer Learning [59.26623999209235]
ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。
DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。
5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
論文 参考訳（メタデータ） (2023-09-14T17:58:33Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - Space-Time-Separable Graph Convolutional Network for Pose Forecasting [3.6417475195085602]
STS-GCNは、グラフ畳み込みネットワーク(GCN)でのみ人間のポーズダイナミクスをモデル化する
時空グラフ接続は空間と時間親和性に分解され、時空のクロストークをボトルネックにするとともに、完全結合と時間-時間相関を可能にする。
論文 参考訳（メタデータ） (2021-10-09T13:59:30Z) - Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based
Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。
MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-08-25T14:05:37Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - A Graph Attention Spatio-temporal Convolutional Network for 3D Human
Pose Estimation in Video [7.647599484103065]
我々は,アテンション機構を用いた局所的グローバル空間情報のモデリングにより,人間の骨格における制約の学習を改善する。
提案手法は, 奥行きのあいまいさと自己閉塞性を効果的に軽減し, 半上半身推定を一般化し, 2次元から3次元映像のポーズ推定における競合性能を実現する。
論文 参考訳（メタデータ） (2020-03-11T14:54:40Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。