論文の概要: Decadal Forecasts with ResDMD: a Residual DMD Neural Network
- arxiv url: http://arxiv.org/abs/2106.11111v1
- Date: Mon, 21 Jun 2021 13:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:54:14.440995
- Title: Decadal Forecasts with ResDMD: a Residual DMD Neural Network
- Title(参考訳): ResDMDを用いたDecadal Forecasts: Residual DMD Neural Network
- Authors: Eduardo Rodrigues, Bianca Zadrozny, Campbell Watson, David Gold
- Abstract要約: 運用予測センターは、より気候に耐性のある社会のための長期的な意思決定を支援するために、デカダル(1-10年)予測システムに投資している。
以前は動的モード分解 (Dynamic Mode Decomposition, DMD) アルゴリズムが用いられていた。
本稿では,非線形項をニューラルネットワークとして明示的に表現するDMDの拡張について検討する。
- 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: Operational forecasting centers are investing in decadal (1-10 year) forecast
systems to support long-term decision making for a more climate-resilient
society. One method that has previously been employed is the Dynamic Mode
Decomposition (DMD) algorithm - also known as the Linear Inverse Model - which
fits linear dynamical models to data. While the DMD usually approximates
non-linear terms in the true dynamics as a linear system with random noise, we
investigate an extension to the DMD that explicitly represents the non-linear
terms as a neural network. Our weight initialization allows the network to
produce sensible results before training and then improve the prediction after
training as data becomes available. In this short paper, we evaluate the
proposed architecture for simulating global sea surface temperatures and
compare the results with the standard DMD and seasonal forecasts produced by
the state-of-the-art dynamical model, CFSv2.
- Abstract(参考訳): 運用予測センターは、より気候に耐性のある社会のための長期的な意思決定を支援するために、デカダル(1-10年)予測システムに投資している。
以前に採用されていた手法は、線形力学モデルにデータに適合する動的モード分解(dmd)アルゴリズム(線形逆モデルとしても知られる)である。
DMDは通常、ランダムノイズを持つ線形系として真の力学における非線形項を近似するが、非線形項をニューラルネットワークとして明示的に表現するDMDの拡張について検討する。
我々の重み初期化により、ネットワークはトレーニング前に賢明な結果を生成し、データが利用可能になるとトレーニング後の予測を改善することができる。
本稿では,地球規模の海面温度をシミュレーションするアーキテクチャについて評価し,現状の動的モデルであるCFSv2による標準DMDと季節予測と比較する。
関連論文リスト
- Grassmannian Geometry Meets Dynamic Mode Decomposition in DMD-GEN: A New Metric for Mode Collapse in Time Series Generative Models [0.0]
Generative Adversarial Networks (GANs) や Variational Autoencoders (Es) のような生成モデルは、トレーニングデータの完全な多様性をキャプチャできず、モード崩壊につながることが多い。
本稿では,時系列に特有のモード崩壊の定義を導入し,その重大度を定量化するための新しい計量 DMD-GEN を提案する。
論文 参考訳(メタデータ) (2024-12-15T19:53:17Z) - Online Physics-Informed Dynamic Mode Decomposition: Theory and Applications [3.31440855661969]
動的モード分解(DMD)は、複雑な力学系を解析・モデル化する能力により、研究の注目を集めている。
提案するオンライン物理インフォームドDMD(OPIDMD)は,新しいDMDの凸最適化フレームワークへの適応である。
論文 参考訳(メタデータ) (2024-12-04T12:57:35Z) - Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition [0.0]
本稿では, 動的モード分解(DMD)を応用したヘキサフロート浮揚風力タービンの動特性の, データ駆動式フリーモデリングについて述べる。
そこで,DMD は,システム同定と秩序の低減のために,システム状態の即時的知識から短期的な予測を行うために,i) 動的システムから知識を抽出するために,i) モーダル解析(ii) を用いている。
結果は、短期予測とシステム同定のためのアプローチの能力を示し、リアルタイム連続学習デジタルツインニングの可能性を示し、データ駆動型縮小順序モデリングを代理する。
論文 参考訳(メタデータ) (2024-11-08T18:38:29Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。
教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。
その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
論文 参考訳(メタデータ) (2021-08-26T09:58:06Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。