Fugu-MT 論文翻訳(概要): Rainfall-Runoff Prediction at Multiple Timescales with a Single Long Short-Term Memory Network

論文の概要: Rainfall-Runoff Prediction at Multiple Timescales with a Single Long Short-Term Memory Network

arxiv url: http://arxiv.org/abs/2010.07921v1
Date: Thu, 15 Oct 2020 17:52:16 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 05:30:45.597243
Title: Rainfall-Runoff Prediction at Multiple Timescales with a Single Long Short-Term Memory Network
Title（参考訳）: 単一長期記憶ネットワークを用いた複数時間スケールでの降雨流出予測
Authors: Martin Gauch, Frederik Kratzert, Daniel Klotz, Grey Nearing, Jimmy Lin, Sepp Hochreiter
Abstract要約: 長期記憶ネットワーク(Long Short-Term Memory Networks, LSTMs)は, 日常の放電予測に顕著な成功を収めている。しかし、多くの現実的なシナリオはより粒度の細かい時間スケールで予測を必要とする。本研究では,一つのモデル内で複数の時間スケールを共同で予測する2つのMulti-Timescale LSTMアーキテクチャを提案する。これらのモデルを米国大陸の516の流域でテストし、米国水モデルに対するベンチマークを行った。
参考スコア（独自算出の注目度）: 41.33870234564485
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long Short-Term Memory Networks (LSTMs) have been applied to daily discharge prediction with remarkable success. Many practical scenarios, however, require predictions at more granular timescales. For instance, accurate prediction of short but extreme flood peaks can make a life-saving difference, yet such peaks may escape the coarse temporal resolution of daily predictions. Naively training an LSTM on hourly data, however, entails very long input sequences that make learning hard and computationally expensive. In this study, we propose two Multi-Timescale LSTM (MTS-LSTM) architectures that jointly predict multiple timescales within one model, as they process long-past inputs at a single temporal resolution and branch out into each individual timescale for more recent input steps. We test these models on 516 basins across the continental United States and benchmark against the US National Water Model. Compared to naive prediction with a distinct LSTM per timescale, the multi-timescale architectures are computationally more efficient with no loss in accuracy. Beyond prediction quality, the multi-timescale LSTM can process different input variables at different timescales, which is especially relevant to operational applications where the lead time of meteorological forcings depends on their temporal resolution.
Abstract（参考訳）: 長期短期記憶ネットワーク(lstms)は日々の放電予測に応用され、顕著な成功を収めている。しかし、多くの現実的なシナリオはより詳細な時間スケールで予測を必要とする。例えば、短いが極端な洪水ピークの正確な予測は、救命効果の差をもたらすが、そのようなピークは日々の予測の粗い時間的解決を逃れる可能性がある。しかし、時間ごとにLSTMをトレーニングするには非常に長い入力シーケンスが必要で、学習が困難で計算コストがかかる。本研究では,1つの時間分解能で長期入力を処理し,より最近の入力ステップのために各時間スケールに分岐する2つのマルチタイムスケールLSTM(MTS-LSTM)アーキテクチャを提案する。これらのモデルを米国大陸の516の盆地でテストし,米国国家水モデルに対するベンチマークを行った。時間スケール毎のLSTMを区別した単純な予測と比較すると、マルチタイムスケールのアーキテクチャは精度を損なわずに計算的に効率的である。予測品質以外にも、多時間スケールのLSTMは異なる時間スケールで異なる入力変数を処理できる。

関連論文リスト

MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
論文参考訳（メタデータ） (2024-10-02T23:04:57Z)
Time Distributed Deep Learning models for Purely Exogenous Forecasting. Application to Water Table Depth Prediction using Weather Image Time Series [1.4436965372953483]
グラナ・マイラ(IT)における水テーブル深度を予測するための2つの異なるディープラーニングモデルを提案する。画像時系列を扱うために、どちらのモデルも最初のTime Distributed Convolutional Neural Network (TDC) で構成され、各ステップで利用可能な画像をベクトル表現にエンコードする。 TDC-LSTMはバイアスの低減に重点を置いており、TDC-UnPWaveNetは時間的ダイナミクスの最大化とKGEに重点を置いている。
論文参考訳（メタデータ） (2024-09-20T07:25:54Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Recurrent Neural Networks with more flexible memory: better predictions than rough volatility [0.0]
資産価格のボラティリティを予測するため,バニラと長期の長期記憶ネットワークの能力を比較した。検証損失が最小のモデルでは,複数時系列のデータセット上でトレーニングおよびテストを行った場合,大まかなボラティリティ予測を約20%上回る結果が得られた。
論文参考訳（メタデータ） (2023-08-04T14:24:57Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
Long-Term Missing Value Imputation for Time Series Data Using Deep Neural Networks [1.2019888796331233]
本稿では、ディープラーニングモデル、特にMultiLayer Perceptron(MLP)を用いて、変数の欠落値を推定する手法を提案する。ランダムに欠落した個々の観察を埋めるのではなく、長い連続的なギャップを埋めることに集中する。本手法は, 長期環境モニタリング観測においてよく見られる, 1変数に大きなギャップを持つデータセットの利用を可能にする。
論文参考訳（メタデータ） (2022-02-25T00:29:30Z)
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)
LTN: Long-Term Network for Long-Term Motion Prediction [0.0]
長期ネットワーク(LTN)と呼ばれる長期軌道予測のための2段階フレームワークを提案する。まず,条件付き変分オートエンコーダ(CVAE)を用いて提案したトラジェクトリの集合を生成し,それらをバイナリラベルで分類し,最も高いスコアでトラジェクトリを出力する。その結果,提案手法は,長期軌道予測における複数の最先端手法よりも精度が高いことがわかった。
論文参考訳（メタデータ） (2020-10-15T17:59:09Z)
Multi-timescale Representation Learning in LSTM Language Models [69.98840820213937]
言語モデルは、非常に短いから非常に長いまでの時間スケールで単語間の統計的依存関係を捉えなければならない。我々は、長期記憶言語モデルにおけるメモリゲーティング機構が、パワーローの減衰を捉えることができるかの理論を導出した。実験の結果,自然言語で学習したLSTM言語モデルは,この理論分布を近似することがわかった。
論文参考訳（メタデータ） (2020-09-27T02:13:38Z)
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。