Fugu-MT 論文翻訳(概要): Multistream Graph Attention Networks for Wind Speed Forecasting

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

Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
論文参考訳（メタデータ） (2024-11-08T07:46:50Z)
WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
論文参考訳（メタデータ） (2024-09-14T08:53:46Z)
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)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
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)
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)
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。