Fugu-MT 論文翻訳(概要): Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks

論文の概要: Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks

arxiv url: http://arxiv.org/abs/2107.07039v1
Date: Wed, 7 Jul 2021 20:26:39 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 12:27:49.183127
Title: Short-term Hourly Streamflow Prediction with Graph Convolutional GRU Networks
Title（参考訳）: グラフ畳み込みGRUネットワークを用いた短時間ストリームフロー予測
Authors: Muhammed Sit, Bekir Demiray and Ibrahim Demir
Abstract要約: 資産被害と死者の点で、その影響を準備し緩和するためには、流水、その結果の洪水を予測することが不可欠である。本稿では,上流河川網を用いたセンサ位置における36時間の流速予測のためのグラフ畳み込みGRUモデルを提案する。
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: The frequency and impact of floods are expected to increase due to climate change. It is crucial to predict streamflow, consequently flooding, in order to prepare and mitigate its consequences in terms of property damage and fatalities. This paper presents a Graph Convolutional GRUs based model to predict the next 36 hours of streamflow for a sensor location using the upstream river network. As shown in experiment results, the model presented in this study provides better performance than the persistence baseline and a Convolutional Bidirectional GRU network for the selected study area in short-term streamflow prediction.
Abstract（参考訳）: 気候変動による洪水の頻度と影響は増加すると予想されている。資産の被害と死亡率の観点からその影響を準備し緩和するために、流れを予測し、結果として洪水を起こすことが不可欠である。本稿では,上流河川網を用いたセンサ位置における36時間の流速予測のためのグラフ畳み込みGRUモデルを提案する。実験結果に示すように,本研究で提示するモデルは,短期の流速予測において,学習領域の持続性ベースラインおよび畳み込み2方向gruネットワークよりも優れた性能を提供する。

関連論文リスト

Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning [1.8434042562191815]
機械学習ベースのストリームフロー予測は、評価曲線からの大規模なストリームフローデータセットに依存する。評価曲線モデリングの不確かさは、ストリームフローデータにエラーをもたらす可能性がある。本研究では,これらのデータエラーに対処するストリームフロー予測手法を提案する。
論文参考訳（メタデータ） (2024-12-06T04:16:35Z)
Spatio-temporal Causal Learning for Streamflow Forecasting [11.820781497467898]
Causal Streamflow Forecasting (CSF) はテキサス州のブラゾス川流域で実世界の調査を行っている。提案手法は,通常の計算時間グラフニューラルネットワークより優れていることを示す。この研究は、高度なニューラルネットワーク技術とドメイン固有の知識を組み合わせる可能性を示す、ストリームフロー予測に対する新しいアプローチを提供する。
論文参考訳（メタデータ） (2024-11-26T23:19:56Z)
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)
The Merit of River Network Topology for Neural Flood Forecasting [3.731618046702812]
気候変動は河川の洪水を悪化させ、その頻度と強度はかつてないほど高くなる。予測システムは通常、正確な川の排出予測に依存している。河川ネットワークの既知のトポロジを予測モデルに組み込むことで,ゲージ間の隣接関係を活用できる可能性がある。
論文参考訳（メタデータ） (2024-05-30T08:45:45Z)
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文参考訳（メタデータ） (2024-04-08T09:13:16Z)
Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-02T17:13:16Z)
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)
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)
Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas [7.324969824727792]
本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。我々は高密度水流強度予測の課題に最初に取り組みました。
論文参考訳（メタデータ） (2023-04-04T09:28:36Z)
Attention-based Domain Adaptation Forecasting of Streamflow in Data-Sparse Regions [0.40285032034172336]
データスパース領域に対する注目型領域適応型ストリームフロー予測器を提案する。提案手法は,データリッチソース領域の流体学的特性を利用して,24時間リードタイムストリームフロー予測を効果的に行う。
論文参考訳（メタデータ） (2023-02-10T17:14:20Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。