論文の概要: Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting
- arxiv url: http://arxiv.org/abs/2011.04452v1
- Date: Mon, 9 Nov 2020 14:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 00:15:38.387639
- Title: Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting
- Title(参考訳): 温度予測のためのARIMAとディープラーニングモデルの比較
- Authors: Eranga De Saa and Lochandaka Ranathunga
- Abstract要約: 本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weather forecasting benefits us in various ways from farmers in cultivation
and harvesting their crops to airlines to schedule their flights. Weather
forecasting is a challenging task due to the chaotic nature of the atmosphere.
Therefore lot of research attention has drawn to obtain the benefits and to
overcome the challenges of weather forecasting. This paper compares ARIMA (Auto
Regressive Integrated Moving Average) model and deep learning models to
forecast temperature. The deep learning model consists of one dimensional
convolutional layers to extract spatial features and LSTM layers to extract
temporal features. Both of these models are applied to hourly temperature data
set from Szeged, Hungry. According to the experimental results deep learning
model was able to perform better than the traditional ARIMA methodology.
- Abstract(参考訳): 天気予報は、農業従事者や収穫する作物から航空会社まで、様々な方法で便を予定している。
気象予報は大気のカオス的な性質のために難しい課題である。
そのため、気象予報の課題を克服するために、多くの研究が注目されている。
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
深層学習モデルは,空間的特徴を抽出する1次元畳み込み層と時間的特徴を抽出するLSTM層から構成される。
どちらのモデルも、szegedとhungryの時間毎の温度データに適用される。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - 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) - A comparative study of stochastic and deep generative models for
multisite precipitation synthesis [0.0]
我々は、IBMWeathergenとRPrecの2つのオープンソースの気象発生装置と、さまざまなメトリクスでGANとVAEの2つの深い生成モデルを比較した。
予備的な結果は,多地点降水合成タスクのためのディープラーニングアーキテクチャとアルゴリズムの設計を改善するためのガイドとして役立てることができる。
論文 参考訳(メタデータ) (2021-07-16T18:35:24Z) - Numerical Weather Forecasting using Convolutional-LSTM with Attention
and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。
我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2021-02-01T08:30:42Z)
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。