論文の概要: Multistream Graph Attention Networks for Wind Speed Forecasting
- arxiv url: http://arxiv.org/abs/2108.07063v1
- Date: Mon, 16 Aug 2021 12:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 19:38:03.198516
- Title: Multistream Graph Attention Networks for Wind Speed Forecasting
- Title(参考訳): 風速予測のためのマルチストリームグラフ注意ネットワーク
- Authors: Dogan Aykas and Siamak Mehrkanoon
- Abstract要約: 本稿では,グラフ注意ネットワーク(GAT)に基づく風速予測の新しいモデルを提案する。
特に,提案モデルでは,学習可能な隣接行列を用いてGATアーキテクチャを拡張した。
風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
- 参考スコア(独自算出の注目度): 4.644923443649426
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Reliable and accurate wind speed prediction has significant impact in many
industrial sectors such as economic, business and management among others. This
paper presents a new model for wind speed prediction based on Graph Attention
Networks (GAT). In particular, the proposed model extends GAT architecture by
equipping it with a learnable adjacency matrix as well as incorporating a new
attention mechanism with the aim of obtaining attention scores per weather
variable. The output of the GAT based model is combined with the LSTM layer in
order to exploit both the spatial and temporal characteristics of the
multivariate multidimensional historical weather data. Real weather data
collected from several cities in Denmark and Netherlands are used to conduct
the experiments and evaluate the performance of the proposed model. We show
that in comparison to previous architectures used for wind speed prediction,
the proposed model is able to better learn the complex input-output
relationships of the weather data. Furthermore, thanks to the learned attention
weights, the model provides an additional insights on the most important
weather variables and cities for the studied prediction task.
- Abstract(参考訳): 信頼性と正確な風速予測は、経済、ビジネス、経営など多くの産業分野で大きな影響を与えている。
本稿では,グラフアテンションネットワーク(gat)に基づく風速予測の新しいモデルを提案する。
特に,提案モデルでは,学習可能な隣接行列を組み込んでGATアーキテクチャを拡張し,気象変動毎の注意点獲得を目的とした新しい注意機構を導入する。
多変量多次元気象データの空間的特性と時間的特性を両立させるために,GATモデルとLSTM層を併用した。
デンマークとオランダのいくつかの都市から収集された実際の気象データを用いて実験を行い、提案モデルの性能を評価する。
風速予測に用いた従来のアーキテクチャと比較して,提案手法は気象データの複雑な入出力関係をよりよく学習できることを示す。
さらに、学習した注意重みのおかげで、このモデルは、研究された予測タスクのために最も重要な気象変数と都市に関する追加の洞察を提供する。
関連論文リスト
- FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Multi Scale Graph Wavenet for Wind Speed Forecasting [0.0]
風速予測のための新しいディープラーニングアーキテクチャであるマルチスケールグラフウェーブネットを提案する。
グラフ畳み込みニューラルネットワークに基づいて、時系列気象データにおける空間的および時間的関係をキャプチャする。
デンマークの異なる都市で観測された実風速データについて実験を行い、その結果を最先端のベースラインモデルと比較した。
論文 参考訳(メタデータ) (2021-09-30T16:18:30Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Deep Graph Convolutional Networks for Wind Speed Prediction [4.644923443649426]
グラフ畳み込みネットワーク(GCN)に基づく風速予測の新しいモデルを紹介します。
デンマークとオランダの都市にある気象観測所から収集した実データを用いて実験を行った。
論文 参考訳(メタデータ) (2021-01-25T12:22:09Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-11-09T14:21:46Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z) - Wind speed prediction using multidimensional convolutional neural
networks [5.228711636020665]
本稿では,風速予測タスクのための畳み込みニューラルネットワーク(CNN)に基づくモデルを提案する。
従来のCNNモデルと比較して,提案モデルでは風速データより優れた特徴付けが可能であることを示す。
論文 参考訳(メタデータ) (2020-07-04T20:48:41Z)
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。