論文の概要: Deep Graph Convolutional Networks for Wind Speed Prediction

• arxiv url: http://arxiv.org/abs/2101.10041v1
• Date: Mon, 25 Jan 2021 12:22:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 12:02:00.152439
• Title: Deep Graph Convolutional Networks for Wind Speed Prediction
• Title（参考訳）: 風速予測のための深層グラフ畳み込みネットワーク
• Authors: Tomasz Sta\'nczyk and Siamak Mehrkanoon
• Abstract要約: グラフ畳み込みネットワーク(GCN)に基づく風速予測の新しいモデルを紹介します。 デンマークとオランダの都市にある気象観測所から収集した実データを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 4.644923443649426
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Wind speed prediction and forecasting is important for various business and management sectors. In this paper, we introduce new models for wind speed prediction based on graph convolutional networks (GCNs). Given hourly data of several weather variables acquired from multiple weather stations, wind speed values are predicted for multiple time steps ahead. In particular, the weather stations are treated as nodes of a graph whose associated adjacency matrix is learnable. In this way, the network learns the graph spatial structure and determines the strength of relations between the weather stations based on the historical weather data. We add a self-loop connection to the learnt adjacency matrix and normalize the adjacency matrix. We examine two scenarios with the self-loop connection setting (two separate models). In the first scenario, the self-loop connection is imposed as a constant additive. In the second scenario a learnable parameter is included to enable the network to decide about the self-loop connection strength. Furthermore, we incorporate data from multiple time steps with temporal convolution, which together with spatial graph convolution constitutes spatio-temporal graph convolution. We perform experiments on real datasets collected from weather stations located in cities in Denmark and the Netherlands. The numerical experiments show that our proposed models outperform previously developed baseline models on the referenced datasets. We provide additional insights by visualizing learnt adjacency matrices from each layer of our models.
• Abstract（参考訳）: 風速予測と予測は、さまざまなビジネスおよび管理部門にとって重要です。 本稿では,グラフ畳み込みネットワーク(GCN)に基づく風速予測の新しいモデルを提案する。 複数の気象観測所から取得した複数の気象変数の時間的データから、風速は複数の時間ステップで予測される。 特に気象局は、関連する隣接行列が学習可能であるグラフのノードとして扱われる。 このようにして、ネットワークはグラフ空間構造を学習し、過去の気象データに基づいて気象観測所間の関係の強さを決定する。 学習した隣接行列に自己ループ接続を追加し、隣接行列を正規化する。 自己ループ接続設定(2つの別々のモデル)で2つのシナリオを検討します。 最初のシナリオでは、自己ループ接続は定数加法として課される。 第2のシナリオでは、ネットワークが自己ループ接続強度を決定するために学習可能なパラメータを含む。 さらに,空間グラフ畳み込みとともに時空間グラフ畳み込みを構成する複数の時間ステップからのデータを取り入れた。 デンマークとオランダの都市にある気象観測所から収集した実データを用いて実験を行った。 数値実験により,提案したモデルが参照データセットのベースラインモデルより優れていることが示された。 モデルの各層から学習隣接行列を視覚化することで、さらなる洞察を提供します。

関連論文リスト

• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
  交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。 まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。 第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
  論文  参考訳（メタデータ） (2022-06-07T09:08:35Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting [13.317147032467306]
  複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。 3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。 特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
  論文  参考訳（メタデータ） (2022-01-22T17:30:46Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Multi Scale Graph Wavenet for Wind Speed Forecasting [0.0]
  風速予測のための新しいディープラーニングアーキテクチャであるマルチスケールグラフウェーブネットを提案する。 グラフ畳み込みニューラルネットワークに基づいて、時系列気象データにおける空間的および時間的関係をキャプチャする。 デンマークの異なる都市で観測された実風速データについて実験を行い、その結果を最先端のベースラインモデルと比較した。
  論文  参考訳（メタデータ） (2021-09-30T16:18:30Z)
• 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)
• Graph Attention Recurrent Neural Networks for Correlated Time Series Forecasting -- Full version [16.22449727526222]
  時間とともに複数のエンティティが相互に相互作用し、そのエンティティの時間変化状態が相関時間系列として表されるような設定を検討する。 相関時系列の正確な予測を可能にするために,グラフ注意再帰ニューラルネットワークを提案する。 大規模実世界の時系列データを用いた実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2021-03-19T12:15:37Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。