論文の概要: Spatio-temporal Weather Forecasting and Attention Mechanism on
Convolutional LSTMs
- arxiv url: http://arxiv.org/abs/2102.00696v1
- Date: Mon, 1 Feb 2021 08:30:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 16:53:08.425656
- Title: Spatio-temporal Weather Forecasting and Attention Mechanism on
Convolutional LSTMs
- Title(参考訳): 畳み込みLSTMの時空間気象予測と注意機構
- Authors: Selim Furkan Tekin, Oguzhan Karaahmetoglu, Fatih Ilhan, Ismail Balaban
and Suleyman Serdar Kozat
- Abstract要約: 高解像度物理モデル上での数値天気予報はスーパーコンピュータ上での計算時間を消費する。
予測におけるディープラーニング機械学習手法は、この分野の新たなソリューションを明らかにした。
我々は、入力気象データと観測データの両方を用いて、高精度な気象データを予測する。
- 参考スコア(独自算出の注目度): 12.85152408472368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerical weather forecasting on high-resolution physical models consume
hours of computations on supercomputers. Application of deep learning and
machine learning methods in forecasting revealed new solutions in this area. In
this paper, we forecast high-resolution numeric weather data using both input
weather data and observations by providing a novel deep learning architecture.
We formulate the problem as spatio-temporal prediction. Our model is composed
of Convolutional Long-short Term Memory, and Convolutional Neural Network units
with encoder-decoder structure. We enhance the short-long term performance and
interpretability with an attention and a context matcher mechanism. We perform
experiments on high-scale, real-life, benchmark numerical weather dataset, ERA5
hourly data on pressure levels, and forecast the temperature. The results show
significant improvements in capturing both spatial and temporal correlations
with attention matrices focusing on different parts of the input series. Our
model obtains the best validation and the best test score among the baseline
models, including ConvLSTM forecasting network and U-Net. We provide
qualitative and quantitative results and show that our model forecasts 10 time
steps with 3 hour frequency with an average of 2 degrees error. Our code and
the data are publicly available.
- Abstract(参考訳): 高解像度物理モデル上での数値天気予報はスーパーコンピュータ上での計算時間を消費する。
ディープラーニングと機械学習の手法の予測への応用は、この領域で新しいソリューションを明らかにした。
本稿では,入力気象データと観測データの両方を用いて,新たな深層学習アーキテクチャを提供することで,高分解能の数値気象データを予測する。
問題を時空間予測として定式化する。
本モデルは,畳み込み型長期記憶と,エンコーダ・デコーダ構造を持つ畳み込み型ニューラルネットワークユニットから構成される。
注意とコンテキストマッチング機構により、短期的なパフォーマンスと解釈性を向上させます。
我々は,高スケール,実時間,ベンチマーク数値気象データ,era5時間毎の圧力レベルに関する実験を行い,温度を予測した。
その結果,入力系列の異なる部分に着目した注意行列と空間的相関と時間的相関が有意な改善を示した。
本モデルは,ConvLSTM予測ネットワークやU-Netなど,ベースラインモデルの中で最高の検証とテストスコアを得る。
我々は定性的かつ定量的な結果を提供し、平均2度の誤差で3時間の周波数で10の時間ステップを予測した。
当社のコードとデータは公開されています。
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) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳(メタデータ) (2023-12-02T18:13:45Z) - 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) - ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction [55.30913411696375]
本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
論文 参考訳(メタデータ) (2023-09-01T07:55:53Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - 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) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
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。
論文 参考訳(メタデータ) (2020-11-09T14:21:46Z) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。