論文の概要: An autoencoder wavelet based deep neural network with attention
mechanism for multistep prediction of plant growth
- arxiv url: http://arxiv.org/abs/2012.04041v1
- Date: Mon, 7 Dec 2020 20:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:06:28.278702
- Title: An autoencoder wavelet based deep neural network with attention
mechanism for multistep prediction of plant growth
- Title(参考訳): 多段階植物成長予測のための注意機構を備えた自動エンコーダウェーブレット型ディープニューラルネットワーク
- Authors: Bashar Alhnaity, Stefanos Kollias, Georgios Leontidis, Shouyong Jiang,
Bert Schamp, Simon Pearson
- Abstract要約: 本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。
ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。
エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。
時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 4.077787659104315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-step prediction is considered of major significance for time series
analysis in many real life problems. Existing methods mainly focus on
one-step-ahead forecasting, since multiple step forecasting generally fails due
to accumulation of prediction errors. This paper presents a novel approach for
predicting plant growth in agriculture, focusing on prediction of plant Stem
Diameter Variations (SDV). The proposed approach consists of three main steps.
At first, wavelet decomposition is applied to the original data, as to
facilitate model fitting and reduce noise in them. Then an encoder-decoder
framework is developed using Long Short Term Memory (LSTM) and used for
appropriate feature extraction from the data. Finally, a recurrent neural
network including LSTM and an attention mechanism is proposed for modelling
long-term dependencies in the time series data. Experimental results are
presented which illustrate the good performance of the proposed approach and
that it significantly outperforms the existing models, in terms of error
criteria such as RMSE, MAE and MAPE.
- Abstract(参考訳): 多段階予測は,多くの実生活問題において時系列解析において重要な意味を持つと考えられる。
既存の手法は主に1ステップの予測に重点を置いているが、これは複数のステップの予測は予測エラーの蓄積によって一般的に失敗するためである。
本稿では,植物茎径変動(sdv)の予測に着目し,農業における植物成長予測手法を提案する。
提案手法は3つの主要なステップからなる。
まず、ウェーブレット分解を元のデータに適用し、モデルの嵌合を容易にし、ノイズを低減する。
次に,Long Short Term Memory (LSTM) を用いてエンコーダ・デコーダ・フレームワークを開発し,データから適切な特徴抽出を行う。
最後に、時系列データにおける長期依存をモデル化するためのLSTMとアテンション機構を含む繰り返しニューラルネットワークを提案する。
提案手法の優れた性能を示し,RMSE,MAE,MAPEなどの誤差基準で既存モデルよりも大幅に優れていることを示す実験結果が得られた。
関連論文リスト
- The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - 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) - An Attention Free Long Short-Term Memory for Time Series Forecasting [0.0]
本研究では,より効率的なフレームワークであるアテンションフリー機構を用いた時系列予測に着目し,時系列予測のための新しいアーキテクチャを提案する。
本研究では,無注意LSTM層を用いて,条件分散予測のための線形モデルを克服するアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-20T08:23:49Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳(メタデータ) (2022-04-01T17:57:36Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳(メタデータ) (2021-11-05T11:45:02Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳(メタデータ) (2021-08-19T14:44:46Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Multi-step-ahead Prediction from Short-term Data by
Delay-embedding-based Forecast Machine [30.316133273354065]
本稿では,delay-Embedding-based Forecast Machine (DEFM)を提案する。
DEFMは、深層学習を用いて、短期力学から空間的およびシーケンシャルに関連付けられた情報を抽出する。
DEFMの有効性と精度は、代表モデルと6つの実世界のデータセットの両方に適用することで実証される。
論文 参考訳(メタデータ) (2020-05-16T01:48:33Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。