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

• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting [7.016835396874093]
  本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。 We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
  論文  参考訳（メタデータ） (2024-06-07T06:49:59Z)
• 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)
• 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)
• 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。