論文の概要: Prediction of daily maximum ozone levels using Lasso sparse modeling method

• arxiv url: http://arxiv.org/abs/2010.08909v1
• Date: Sun, 18 Oct 2020 02:58:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 04:41:35.217570
• Title: Prediction of daily maximum ozone levels using Lasso sparse modeling method
• Title（参考訳）: lasso sparse modeling法による日最大オゾン濃度の予測
• Authors: Jiaqing Lv, Xiaohong Xu
• Abstract要約: 本稿では, 翌日の最大オゾン濃度の予測に, 最新の統計手法を適用した。 このモデルは、様々な汚染物質の現在の時間濃度レベルや気象変数など、多くの候補特性を使用する。 3年のデータでトレーニングされたモデルは、RMSE=5.63 ppb、MAE=4.42 ppb、RMSE=5.68 ppb、MAE=4.52 ppbという比較的良好な予測精度を示す。
• 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: This paper applies modern statistical methods in the prediction of the next-day maximum ozone concentration, as well as the maximum 8-hour-mean ozone concentration of the next day. The model uses a large number of candidate features, including the present day's hourly concentration level of various pollutants, as well as the meteorological variables of the present day's observation and the future day's forecast values. In order to solve such an ultra-high dimensional problem, the least absolute shrinkage and selection operator (Lasso) was applied. The $L_1$ nature of this methodology enables the automatic feature dimension reduction, and a resultant sparse model. The model trained by 3-years data demonstrates relatively good prediction accuracy, with RMSE= 5.63 ppb, MAE= 4.42 ppb for predicting the next-day's maximum $O_3$ concentration, and RMSE= 5.68 ppb, MAE= 4.52 ppb for predicting the next-day's maximum 8-hour-mean $O_3$ concentration. Our modeling approach is also compared with several other methods recently applied in the field and demonstrates superiority in the prediction accuracy.
• Abstract（参考訳）: 本稿では,翌日の最大オゾン濃度の予測と,翌日の最大8時間平均オゾン濃度の予測に,現代的な統計手法を適用した。 このモデルは、現在の様々な汚染物質の時間毎濃度レベルや、現在の観測の気象変数、将来の天気予報値など、多くの候補機能を使用している。 このような超高次元問題を解くために、最小絶対収縮・選択演算子(Lasso)を適用した。 この手法の$L_1$の性質は、自動特徴量削減と結果として生じるスパースモデルを可能にする。 3年間のデータによって訓練されたモデルは、rmse=5.63 ppb、mae=4.42 ppb、rmse=5.68 ppb、mae=4.52 ppbといった比較的良好な予測精度を示す。 提案手法は,近年適用された他の手法と比較し,予測精度の優位性を示す。

関連論文リスト

• Using remotely sensed data for air pollution assessment [0.0]
  この研究の主な目的は、観測データがない場所で汚染物質濃度を推定できるモデルを作成することである。 2019年、イベリア半島の5種類の汚染物質の濃度を予測する機械学習モデルが開発された。 平均値が少し高くなる$O_3$と$PM10$を除いて、全てのモデルでRMSEを許容するクロスバリデーションを提示した。
  論文  参考訳（メタデータ） (2024-02-04T14:27:28Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
  決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。 既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。 DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Fast parameter estimation of Generalized Extreme Value distribution using Neural Networks [9.987055028382876]
  一般的な極値分布は、洪水、干ばつ、熱波、山火事などの極端な事象をモデル化するための一般的な選択である。 本稿では,ニューラルネットワークを用いた計算効率が高く,可能性のない推定手法を提案する。 提案手法は,従来の最大値法と同等の精度でGEV分布パラメータの推定値を提供する。
  論文  参考訳（メタデータ） (2023-05-07T17:40:52Z)
• A comparative study of statistical and machine learning models on near-real-time daily emissions prediction [0.0]
  二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。 本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
  論文  参考訳（メタデータ） (2023-02-02T15:14:27Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone Concentrations Fourteen Days in Advance [0.19573380763700707]
  現在利用可能な空気質予測のための数値モデリングシステムは、事前に24時間から48時間予測することができる。 畳み込みニューラルネットワーク(CNN)モデルに基づくモデリングシステムを開発した。 本研究の主な目的は, オゾン濃度の時間変動の予測であるが, その他の汚染物質にも適用可能である。
  論文  参考訳（メタデータ） (2020-08-13T16:02:05Z)
• Estimating Basis Functions in Massive Fields under the Spatial Mixed Effects Model [8.528384027684194]
  大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。 本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。 実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
  論文  参考訳（メタデータ） (2020-03-12T19:36:40Z)

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。