論文の概要: Preparing Weather Data for Real-Time Building Energy Simulation
- arxiv url: http://arxiv.org/abs/2011.09733v1
- Date: Thu, 19 Nov 2020 09:18:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 20:52:26.239253
- Title: Preparing Weather Data for Real-Time Building Energy Simulation
- Title(参考訳): リアルタイム建築エネルギーシミュレーションのための気象データ作成
- Authors: Maryam MeshkinKiya, Riccardo Paolini
- Abstract要約: 本研究では,異常検出や不足値の埋入を含む気象データの品質管理のための枠組みを提案する。
提案手法は, 高精度かつ高速な品質制御により, リアルタイムなビルディングシミュレーションを容易にする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study introduces a framework for quality control of measured weather
data, including anomaly detection, and infilling missing values. Weather data
is a fundamental input to building performance simulations, in which anomalous
values defect the results while missing data lead to an unexpected termination
of the simulation process. Traditionally, infilling missing values in weather
data is performed through periodic or linear interpolations. However, when
missing values exceed many consecutive hours, the accuracy of traditional
methods is subject to debate. This study demonstrates how Neural Networks can
increase the accuracy of data imputation when compared to other supervised
learning methods. The framework is validated by predicting missing temperature
and relative humidity data for an observation site, through a network of nearby
weather stations in Milan, Italy. Results show that the proposed method can
facilitate real-time building simulations with accurate and rapid quality
control.
- Abstract(参考訳): 本研究では,異常検出や欠測値の埋込みなど,気象データの品質管理のための枠組みを提案する。
気象データは、異常な値が結果に欠陥を与え、データが失われると予期せぬシミュレーションプロセスが終了するという、ビルパフォーマンスシミュレーションの基本的なインプットである。
伝統的に、気象データに欠落した値を埋め込むことは周期的または線形補間によって行われる。
しかし、欠落した値が連続時間を超えると、従来の手法の精度が議論の対象となる。
本研究では,他の教師付き学習手法と比較して,ニューラルネットワークがデータ計算の精度を高める方法を示す。
この枠組みは、イタリアのミラノにある近くの気象観測所のネットワークを通じて、観測地点の温度と相対湿度データを予測することによって検証される。
提案手法は, 高精度かつ高速な品質制御によるリアルタイム建築シミュレーションを容易にする。
関連論文リスト
- 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) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Sim2Real for Environmental Neural Processes [20.850715955359593]
我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。
Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
論文 参考訳(メタデータ) (2023-10-30T18:49:06Z) - A Distributed Approach to Meteorological Predictions: Addressing Data
Imbalance in Precipitation Prediction Models through Federated Learning and
GANs [0.0]
気象データの分類は、気象現象をクラスに分類することで、微妙な分析と正確な予測を容易にする。
分類アルゴリズムは、データ不均衡のような課題を巧みにナビゲートすることが不可欠である。
データ拡張技術は、稀だが重要な気象事象を分類する際のモデルの精度を向上させることができる。
論文 参考訳(メタデータ) (2023-10-19T21:28:20Z) - 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) - DL-Corrector-Remapper: A grid-free bias-correction deep learning
methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。
これは、数値天気予報(NWP)のバイアス補正と後処理に似ている
私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
論文 参考訳(メタデータ) (2022-10-21T23:04:44Z) - 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) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z)
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。