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
- Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - 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) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳(メタデータ) (2022-04-21T09:40:30Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - 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) - 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) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z) - 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) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - A clustering approach to time series forecasting using neural networks:
A comparative study on distance-based vs. feature-based clustering methods [1.256413718364189]
動的測定を用いて時系列データを予測するために,様々なニューラルネットワークアーキテクチャを提案する。
また,異常検出やクラスタリングなどの手法が予測精度に与える影響についても検討した。
その結果,クラスタリングは全体の予測時間を改善するとともに,ニューラルネットワークの予測性能を向上させることができることがわかった。
論文 参考訳(メタデータ) (2020-01-27T00:31:37Z)
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。