Fugu-MT 論文翻訳(概要): Fast-Slow Streamflow Model Using Mass-Conserving LSTM

論文の概要: Fast-Slow Streamflow Model Using Mass-Conserving LSTM

arxiv url: http://arxiv.org/abs/2107.06057v1
Date: Tue, 13 Jul 2021 13:10:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-14 14:30:55.588510
Title: Fast-Slow Streamflow Model Using Mass-Conserving LSTM
Title（参考訳）: 大量保存LSTMを用いた高速スロー流モデル
Authors: Miguel Paredes Qui\~nones, Maciel Zortea, Leonardo S. A. Martins
Abstract要約: 流量予測は、水資源を効果的に管理し、気候変動によって悪化する自然災害の発生に備える鍵となる。ここでは、高速かつ低速なフロー成分の概念を用いて、新しい大量保存長短期記憶(LSTM)ニューラルネットワークモデルを作成する。水理学的時系列と漁獲属性を用いて毎日の河川流出を予測する。
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: Streamflow forecasting is key to effectively managing water resources and preparing for the occurrence of natural calamities being exacerbated by climate change. Here we use the concept of fast and slow flow components to create a new mass-conserving Long Short-Term Memory (LSTM) neural network model. It uses hydrometeorological time series and catchment attributes to predict daily river discharges. Preliminary results evidence improvement in skills for different scores compared to the recent literature.
Abstract（参考訳）: 流量予測は、水資源を効果的に管理し、気候変動によって悪化する自然災害の発生に備える鍵となる。ここでは、高速かつ低速なフロー成分の概念を用いて、新しい大量保存長短期記憶(LSTM)ニューラルネットワークモデルを作成する。水理学的時系列と漁獲属性を用いて毎日の河川流出を予測する。予備的な結果は、近年の文献と比較して異なるスコアのスキルの向上が証明されている。

関連論文リスト

Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM [0.0]
我々は,CNN-LSTMを時系列設定に適用し,ストリームフローの予測にタグ付きストリームフローデータを活用する。ネブラスカ州32のHUC8流域において, 予測性能は有意に向上した。
論文参考訳（メタデータ） (2024-04-11T17:10:57Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
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)
Predicting the temporal dynamics of turbulent channels through deep learning [0.0]
最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
論文参考訳（メタデータ） (2022-03-02T09:31:03Z)
GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文参考訳（メタデータ） (2021-11-26T18:59:56Z)
Optimal Reservoir Operations using Long Short-Term Memory Network [3.680403821470857]
リアルタイムの流入予測は、水資源の効率的な運用に役立つ。本研究では,LSTMに基づく簡易な異常検出アルゴリズムを提案する。実験はインドのバクラダム貯水池のデータに基づいて行われる。
論文参考訳（メタデータ） (2021-09-07T18:16:22Z)
Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文参考訳（メタデータ） (2021-07-01T13:13:24Z)
Machine Learning for Postprocessing Ensemble Streamflow Forecasts [0.0]
機械学習と動的モデリングを統合して,短期から中規模(1～7日)におけるストリームフロー予測の質向上を実証する。我々はLong Short-Term Memory(LSTM)ニューラルネットワークを用いて、動的モデリングから得られた生のアンサンブルストリームフロー予測における予測バイアスを補正する。検証結果から,LSTMは気候,時間的持続性,決定論的,生のアンサンブル予測に対して,ストリームフロー予測を改善することができることが示された。
論文参考訳（メタデータ） (2021-06-15T18:46:30Z)
Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文参考訳（メタデータ） (2020-01-16T07:14:32Z)

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。