論文の概要: Dynamical prediction of two meteorological factors using the deep neural network and the long short-term memory $(2)$

• arxiv url: http://arxiv.org/abs/2104.14406v1
• Date: Wed, 28 Apr 2021 06:23:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:41:07.326088
• Title: Dynamical prediction of two meteorological factors using the deep neural network and the long short-term memory $(2)$
• Title（参考訳）: deep neural network と long short-term memory $(2)$ を用いた2つの気象因子の動的予測
• Authors: Ki-Hong Shin, Jae-Won Jung, Ki-Ho Chang, Dong-In Lee, Cheol-Hwan You, Kyungsik Kim
• Abstract要約: 本研究では,従来のニューラルネットワーク,ディープニューラルネットワーク,エクストリーム学習マシンといった5つの学習アーキテクチャの結果を分析する。 当社のニューラルネットワークモードは、7年間(2014年から2020年まで)の毎日の時系列データセットでトレーニングされます。 エラー統計は、出力の結果から発見され、5つのニューラルネットワークを操作した後、これらの値を互いに比較します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the predictive accuracy using two-variate meteorological factors, average temperature and average humidity, in neural network algorithms. We analyze result in five learning architectures such as the traditional artificial neural network, deep neural network, and extreme learning machine, long short-term memory, and long-short-term memory with peephole connections, after manipulating the computer-simulation. Our neural network modes are trained on the daily time-series dataset during seven years (from 2014 to 2020). From the trained results for 2500, 5000, and 7500 epochs, we obtain the predicted accuracies of the meteorological factors produced from outputs in ten metropolitan cities (Seoul, Daejeon, Daegu, Busan, Incheon, Gwangju, Pohang, Mokpo, Tongyeong, and Jeonju). The error statistics is found from the result of outputs, and we compare these values to each other after the manipulation of five neural networks. As using the long-short-term memory model in testing 1 (the average temperature predicted from the input layer with six input nodes), Tonyeong has the lowest root mean squared error (RMSE) value of 0.866 $(%)$ in summer from the computer-simulation in order to predict the temperature. To predict the humidity, the RMSE is shown the lowest value of 5.732 $(%)$, when using the long short-term memory model in summer in Mokpo in testing 2 (the average humidity predicted from the input layer with six input nodes). Particularly, the long short-term memory model is is found to be more accurate in forecasting daily levels than other neural network models in temperature and humidity forecastings. Our result may provide a computer-simuation basis for the necessity of exploring and develping a novel neural network evaluation method in the future.
• Abstract（参考訳）: 本稿では,ニューラルネットワークアルゴリズムにおける2変量気象因子,平均温度,平均湿度を用いた予測精度を提案する。 本研究では,従来のニューラルネットワーク,ディープニューラルネットワーク,極端な学習マシン,長期記憶,ピープホール接続による長期記憶などの5つの学習アーキテクチャを計算機シミュレーションにより解析する。 私たちのニューラルネットワークモードは、7年間(2014年から2020年まで)に毎日の時系列データセットでトレーニングされています。 2500,5000,7500エポックの訓練結果から,首都10都市(セオウル,デジョン,デグ,ブサン,インチョン,ガンジュ,ポハン,モクポ,トンジュン,ジュンジュ)のアウトプットから得られた気象要因の予測精度を得た。 誤差統計は出力の結果から得られ、これらの値は5つのニューラルネットワークの操作後に互いに比較する。 テスト1(入力層から6つの入力ノードが予測される平均温度)における短期記憶モデルを用いて、tonyongは、温度を予測するためにコンピュータシミュレーションから夏が最も低い根平均二乗誤差(rmse)値を0.866$(%)$とする。 湿度を予測するために、テスト2ではmokpoの夏季の長期短期記憶モデル(入力層から6つの入力ノードで予測される平均湿度)を用いて、rmseの最低値が5.732$(%)$であることを示す。 特に、長期の短期記憶モデルは、温度と湿度の予測において、他のニューラルネットワークモデルよりも日々のレベルを予測するのに正確であることがわかっている。 この結果は,将来,新しいニューラルネットワーク評価手法を探索し,発展させるために必要なコンピュータシミュレーション基盤を提供する可能性がある。

関連論文リスト

• TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent Potential Temperature [0.7575778450247893]
  数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。 TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T01:02:27Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• A computationally efficient neural network for predicting weather forecast probabilities [0.0]
  ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。 これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。 このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
  論文  参考訳（メタデータ） (2021-03-26T12:28:15Z)
• Dynamical prediction of two meteorological factors using the deep neural network and the long short term memory $(1)$ [0.0]
  本研究では,既存のニューラルネットワーク法を用いて予測精度を向上させる。 シミュレーション研究は、人工ニューラルネットワーク(ANN)、ディープニューラルネットワーク(DNN)、エクストリームラーニングマシン(ELM)、ロング短期メモリ(LSTM)を適用することによって行われます。 2014年3月から2020年2月までの韓国10都市の低周波時系列からデータを抽出する。
  論文  参考訳（メタデータ） (2021-01-16T16:24:24Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)
• Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning [0.0]
  ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。 相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。 2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:14:13Z)

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。