論文の概要: Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks

• arxiv url: http://arxiv.org/abs/2009.11239v6
• Date: Wed, 10 Feb 2021 00:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 15:35:31.592338
• Title: Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks
• Title（参考訳）: 深層マルチステーション気象予測:説明可能な再帰的畳み込みニューラルネットワーク
• Authors: Ismail Alaoui Abdellaoui and Siamak Mehrkanoon
• Abstract要約: モデルに自己注意を加えることで、全体の予測性能が向上することを示す。 本稿では,ヨーロッパ18都市の日次収集データから天気予報を行うため,異なる2つのディープラーニングアーキテクチャを比較した。
• 参考スコア（独自算出の注目度）: 4.213427823201119
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning applied to weather forecasting has started gaining popularity because of the progress achieved by data-driven models. The present paper compares two different deep learning architectures to perform weather prediction on daily data gathered from 18 cities across Europe and spanned over a period of 15 years. We propose the Deep Attention Unistream Multistream (DAUM) networks that investigate different types of input representations (i.e. tensorial unistream vs. multistream ) as well as the incorporation of the attention mechanism. In particular, we show that adding a self-attention block within the models increases the overall forecasting performance. Furthermore, visualization techniques such as occlusion analysis and score maximization are used to give an additional insight on the most important features and cities for predicting a particular target feature of target cities.
• Abstract（参考訳）: データ駆動モデルによって達成された進歩のために、天気予報に適用されたディープラーニングが人気を集め始めている。 本稿では,ヨーロッパ各地の18都市から収集し,15年間にわたる天気予報を行うために,2つの異なるディープラーニングアーキテクチャを比較した。 本稿では,様々な種類の入力表現(テンソルの一ストリーム対マルチストリーム)と注意機構の組込みを検討する,ディープ・アテンション・ユニストリーム・マルチストリーム(daum)ネットワークを提案する。 特に,モデルに自己注意ブロックを追加することで,全体の予測性能が向上することを示す。 さらに、オクルージョン分析やスコア最大化といった可視化技術を用いて、ターゲット都市の特定のターゲット特徴を予測するために、最も重要な特徴や都市についてさらなる洞察を与える。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• FLODCAST: Flow and Depth Forecasting via Multimodal Recurrent Architectures [31.879514593973195]
  本研究では,両モードを同時に予測するフローおよび深さ予測モデルを提案する。 提案したモデルをトレーニングし、将来いくつかのタイムステップの予測を行う。 セグメンテーション予測の下流タスクの利点を報告し、フローベースのマスクウォーピングフレームワークに予測を注入する。
  論文  参考訳（メタデータ） (2023-10-31T16:30:16Z)
• Physically Explainable Deep Learning for Convective Initiation Nowcasting Using GOES-16 Satellite Observations [0.1874930567916036]
  Convection Initiation (CI) nowcasting は、数値天気予報モデルと既存の nowcasting アルゴリズムの両方において難しい問題である。 本研究では,多チャンネル赤外線GOES-R衛星観測に基づくCI予測のためのオブジェクトベース確率的深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-10-24T17:18:44Z)
• 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)
• 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)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Variational Structured Attention Networks for Deep Visual Representation Learning [49.80498066480928]
  空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。 具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。 ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T07:37:24Z)
• Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks [44.34236994440102]
  本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。 具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-30T04:42:03Z)
• A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
  動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。 また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。 その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T00:31:37Z)

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。