論文の概要: A spatio-temporal LSTM model to forecast across multiple temporal and spatial scales

• arxiv url: http://arxiv.org/abs/2108.11875v1
• Date: Thu, 26 Aug 2021 16:07:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 17:07:41.755887
• Title: A spatio-temporal LSTM model to forecast across multiple temporal and spatial scales
• Title（参考訳）: 複数の時空間スケールで予測する時空間LSTMモデル
• Authors: Yihao Hu, Fearghal O'Donncha, Paulito Palmes, Meredith Burke, Ramon Filgueira, Jon Grant
• Abstract要約: 本稿では,環境データセットに適用した時系列予測のための新しい時空間LSTM(SPATIAL)アーキテクチャを提案する。 このフレームワークは、複数のセンサーにまたがって評価され、現在の速度、温度、溶存酸素の3つの異なる海洋変数に対して評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel spatio-temporal LSTM (SPATIAL) architecture for time series forecasting applied to environmental datasets. The framework was evaluated across multiple sensors and for three different oceanic variables: current speed, temperature, and dissolved oxygen. Network implementation proceeded in two directions that are nominally separated but connected as part of a natural environmental system -- across the spatial (between individual sensors) and temporal components of the sensor data. Data from four sensors sampling current speed, and eight measuring both temperature and dissolved oxygen evaluated the framework. Results were compared against RF and XGB baseline models that learned on the temporal signal of each sensor independently by extracting the date-time features together with the past history of data using sliding window matrix. Results demonstrated ability to accurately replicate complex signals and provide comparable performance to state-of-the-art benchmarks. Notably, the novel framework provided a simpler pre-processing and training pipeline that handles missing values via a simple masking layer. Enabling learning across the spatial and temporal directions, this paper addresses two fundamental challenges of ML applications to environmental science: 1) data sparsity and the challenges and costs of collecting measurements of environmental conditions such as ocean dynamics, and 2) environmental datasets are inherently connected in the spatial and temporal directions while classical ML approaches only consider one of these directions. Furthermore, sharing of parameters across all input steps makes SPATIAL a fast, scalable, and easily-parameterized forecasting framework.
• Abstract（参考訳）: 本稿では,環境データセットに適用した時系列予測のための新しい時空間LSTMアーキテクチャを提案する。 このフレームワークは、複数のセンサーと、現在の速度、温度、溶存酸素の3つの異なる海洋変数で評価された。 ネットワークの実装は、名目上は隔てられたものの、自然環境システムの一部として接続された2つの方向に進み、センサーデータの空間的(個々のセンサー間)と時間的要素をまたいだ。 4つのセンサーが現在の速度をサンプリングし、8つの温度と溶解酸素を測定してフレームワークを評価した。 スライディングウインドウマトリクスを用いて日時特徴とデータの過去の履歴を抽出し,各センサの時間信号に基づいて独立に学習したrfおよびxgbベースラインモデルと比較した。 結果は、複雑な信号を正確に再現し、最先端のベンチマークに匹敵する性能を提供する能力を示した。 特に、新しいフレームワークは、単純なマスキング層を介して欠落した値を処理する、より単純な前処理とトレーニングパイプラインを提供した。 本論文は, 環境科学へのML適用の基本的な課題として, 1) 海洋力学などの環境条件の測定を行う際のデータ空間とコスト, 2) 環境データセットが空間的・時間的方向と本質的に結びついているのに対して, 古典的MLアプローチはこれらの方向の1つしか考慮していない,という2つの課題に対処する。 さらに、全ての入力ステップ間でパラメータを共有することで、SPATIALは高速でスケーラブルで容易にパラメータ化できる予測フレームワークとなる。

関連論文リスト

• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。 HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Leveraging arbitrary mobile sensor trajectories with shallow recurrent decoder networks for full-state reconstruction [4.243926243206826]
  LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。 ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
  論文  参考訳（メタデータ） (2023-07-20T21:42:01Z)
• SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with Missing Values for Environmental Monitoring [0.0]
  センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。 計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T17:06:23Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。