論文の概要: Massive feature extraction for explaining and foretelling hydroclimatic time series forecastability at the global scale

• arxiv url: http://arxiv.org/abs/2108.00846v1
• Date: Sun, 25 Jul 2021 19:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-08 11:19:32.515299
• Title: Massive feature extraction for explaining and foretelling hydroclimatic time series forecastability at the global scale
• Title（参考訳）: 地球規模における水温時系列予測可能性の説明と予測のための大規模特徴抽出
• Authors: Georgia Papacharalampous, Hristos Tyralis, Ilias G. Pechlivanidis, Salvatore Grimaldi, Elena Volpi
• Abstract要約: 本稿では,記述時系列の特徴と実時間時系列予測可能性の関係について検討する。 このフレームワークを3つのグローバルデータセットに適用する。 Nash-Sutcliffe効率のこの予測可能性は、いくつかの記述的特徴と強く関連している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical analyses and descriptive characterizations are sometimes assumed to be offering information on time series forecastability. Despite the scientific interest suggested by such assumptions, the relationships between descriptive time series features (e.g., temporal dependence, entropy, seasonality, trend and nonlinearity features) and actual time series forecastability (quantified by issuing and assessing forecasts for the past) are scarcely studied and quantified in the literature. In this work, we aim to fill in this gap by investigating such relationships, and the way that they can be exploited for understanding hydroclimatic forecastability. To this end, we follow a systematic framework bringing together a variety of -- mostly new for hydrology -- concepts and methods, including 57 descriptive features. We apply this framework to three global datasets. As these datasets comprise over 13 000 monthly temperature, precipitation and river flow time series from several continents and hydroclimatic regimes, they allow us to provide trustable characterizations and interpretations of 12-month ahead hydroclimatic forecastability at the global scale. We find that this forecastability in terms of Nash-Sutcliffe efficiency is strongly related to several descriptive features. We further (i) show that, if such descriptive information is available for a time series, we can even foretell the quality of its future forecasts with a considerable degree of confidence, and (ii) rank the features according to their efficiency in inferring and foretelling forecastability. Spatial forecastability patterns are also revealed through our experiments. A comprehensive interpretation of such patters through massive feature extraction and feature-based time series clustering is shown to be possible.
• Abstract（参考訳）: 統計分析や記述的特徴付けは、時系列の予測可能性に関する情報を提供すると考えられている。 このような仮定によって示唆される科学的関心にもかかわらず、記述的時系列特徴(時間的依存、エントロピー、季節性、傾向、非線形性特徴など)と実際の時系列予測可能性(過去の予測の発行と評価によって定量化)の関係は文献でほとんど研究されていない。 本研究では,このような関係を解明し,水環境予測可能性の理解に活用することで,このギャップを埋めることを目的としている。 この目的のために、57の記述的特徴を含むさまざまな(主に水文学の新しい)概念とメソッドをまとめて、体系的なフレームワークに従います。 このフレームワークを3つのグローバルデータセットに適用する。 これらのデータセットは, 月間気温, 降水量, 河川流量の時系列で構成されているため, 地球規模での温暖化予測可能性について, 信頼性の高いキャラクタリゼーションと解釈を行うことができる。 Nash-Sutcliffe効率のこの予測可能性は、いくつかの記述的特徴と強く関連している。 さらに,このような記述的情報が時系列で利用可能であれば,その将来予測の品質をある程度の信頼性で予見することができ,かつ (ii) 予測可能性の推測と予測の効率に応じて特徴をランク付けすることができることを示す。 空間予測可能性パターンも実験によって明らかにされる。 大量の特徴抽出と特徴に基づく時系列クラスタリングにより、このようなパターの包括的解釈が可能であることが示されている。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting [4.5424061912112474]
  本稿では,ディープラーニングを用いた時系列降水予測モデルの最近の進歩を概観する。 予測モデルを,将来のフレームを予測するためのアプローチに基づいて,テキスト再帰戦略とテキスト多重戦略に分類する。 筆者らは,現在,降水予測のための深層学習モデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
  論文  参考訳（メタデータ） (2024-06-07T12:07:09Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
  本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。 異なる予測条件から生じる特徴的データの特徴を識別する。 本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
  論文  参考訳（メタデータ） (2023-10-11T12:48:45Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Introducing the Attribution Stability Indicator: a Measure for Time Series XAI Attributions [9.734940058811707]
  本稿では,時系列の属性安定度を考慮に入れた属性安定度指標(ASI)を提案する。 本研究では,次元再現空間における属性の分析と,3つの時系列分類データセット上でのASIスコア分布に基づいて,所望の特性を実証する。
  論文  参考訳（メタデータ） (2023-10-06T11:48:26Z)
• 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)
• Discovering Predictable Latent Factors for Time Series Forecasting [39.08011991308137]
  我々は,観測可能な時系列によって示唆される本質的な潜伏因子を推定するための新しい枠組みを開発する。 予測可能性,充足性,識別性という3つの特性を導入し,これらの特性を強力な潜伏力学モデルを用いてモデル化する。 複数の実データに対する実験結果から, 時系列予測の手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2023-03-18T14:37:37Z)
• Time series features for supporting hydrometeorological explorations and predictions in ungauged locations using large datasets [0.0]
  我々は,(部分的)自己相関,エントロピー,時間変動,季節変動,傾向,光沢度,安定性,非線形性,直線性,スパイキネス,曲率などを含む28の特徴に着目した。 これらの特徴を,511獲物の日中温度,降水量,流水量時系列で推定し,従来の地形,土地被覆,土壌,地質特性と地域化の文脈で組み合わせた。
  論文  参考訳（メタデータ） (2022-04-13T17:37:32Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。