Fugu-MT 論文翻訳(概要): Optimal Reservoir Operations using Long Short-Term Memory Network

論文の概要: Optimal Reservoir Operations using Long Short-Term Memory Network

arxiv url: http://arxiv.org/abs/2109.04255v1
Date: Tue, 7 Sep 2021 18:16:22 GMT
ステータス: 処理完了
システム内更新日: 2021-09-11 11:59:52.794089
Title: Optimal Reservoir Operations using Long Short-Term Memory Network
Title（参考訳）: 長期記憶ネットワークを用いた最適貯留層操作
Authors: Asha Devi Singh, Anurag Singh
Abstract要約: リアルタイムの流入予測は、水資源の効率的な運用に役立つ。本研究では,LSTMに基づく簡易な異常検出アルゴリズムを提案する。実験はインドのバクラダム貯水池のデータに基づいて行われる。
参考スコア（独自算出の注目度）: 3.680403821470857
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A reliable forecast of inflows to the reservoir is a key factor in the optimal operation of reservoirs. Real-time operation of the reservoir based on forecasts of inflows can lead to substantial economic gains. However, the forecast of inflow is an intricate task as it has to incorporate the impacts of climate and hydrological changes. Therefore, the major objective of the present work is to develop a novel approach based on long short-term memory (LSTM) for the forecast of inflows. Real-time inflow forecast, in other words, daily inflow at the reservoir helps in efficient operation of water resources. Also, daily variations in the release can be monitored efficiently and the reliability of operation is improved. This work proposes a naive anomaly detection algorithm baseline based on LSTM. In other words, a strong baseline to forecast flood and drought for any deep learning-based prediction model. The practicality of the approach has been demonstrated using the observed daily data of the past 20 years from Bhakra Dam in India. The results of the simulations conducted herein clearly indicate the supremacy of the LSTM approach over the traditional methods of forecasting. Although, experiments are run on data from Bhakra Dam Reservoir in India, LSTM model, and anomaly detection algorithm are general purpose and can be applied to any basin with minimal changes. A distinct practical advantage of the LSTM method presented herein is that it can adequately simulate non-stationarity and non-linearity in the historical data.
Abstract（参考訳）: 貯水池への流入の信頼性の高い予測は,貯水池の最適運転の重要な要因である。流入の予測に基づく貯水池のリアルタイム運用は、実質的な経済利益につながる可能性がある。しかし、気候変動と水文学の変化の影響を組み込む必要があるため、流入予測は複雑な作業である。そこで本研究の目的は,流入量予測のためのlong short-term memory (lstm) に基づく新しい手法を開発することである。言い換えれば、貯水池での毎日の流入予測は、水資源の効率的な運用に役立つ。また、リリースの日々の変動を効率的に監視でき、操作の信頼性が向上する。本研究では,LSTMに基づく簡易な異常検出アルゴリズムを提案する。言い換えれば、ディープラーニングベースの予測モデルにおいて、洪水や干ばつを予測するための強力なベースラインである。このアプローチの実用性は、インドのバークラダムから過去20年間の観測データを用いて実証されている。シミュレーションの結果は,従来の予測手法よりもLSTMアプローチが優位であることを明確に示している。実験はインドのバクラダム貯水池のデータに基づいて行われるが、LSTMモデルと異常検出アルゴリズムは汎用的であり、最小限の変更で任意の流域に適用できる。ここで提示されるLSTM法の明確な実用上の利点は、歴史的データの非定常性と非線形性を適切にシミュレートできることである。

関連論文リスト

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)
Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields [0.0]
従来の貯水池シミュレータよりも優れた1つのフーリエニューラル演算子(FNO)サロゲートを提案する。圧力と飽和予測の95%の最大平均相対誤差は5%未満である。このモデルは、履歴マッチングと貯水池キャラクタリゼーションの手順を、数桁のオーダーで高速化することができる。
論文参考訳（メタデータ） (2024-07-13T00:26:14Z)
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)
Scenario-based model predictive control of water reservoir systems [2.3388338598125196]
最適な水の放出は通常、インフローの(予測された)軌道に基づいて計算される。本研究では, 貯水池に対するMPCアプローチを初めて検討し, 将来的な流れの集合に基づいて制御を最適化する。この手法の有効性は、イタリアのコモ湖からの実際の流入データを用いて、モンテカルロの広範な試験によって検証される。
論文参考訳（メタデータ） (2023-09-01T10:11:49Z)
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)
Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文参考訳（メタデータ） (2022-10-17T09:14:35Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Fast-Slow Streamflow Model Using Mass-Conserving LSTM [0.0]
流量予測は、水資源を効果的に管理し、気候変動によって悪化する自然災害の発生に備える鍵となる。ここでは、高速かつ低速なフロー成分の概念を用いて、新しい大量保存長短期記憶(LSTM)ニューラルネットワークモデルを作成する。水理学的時系列と漁獲属性を用いて毎日の河川流出を予測する。
論文参考訳（メタデータ） (2021-07-13T13:10:24Z)
Machine Learning for Postprocessing Ensemble Streamflow Forecasts [0.0]
機械学習と動的モデリングを統合して,短期から中規模(1～7日)におけるストリームフロー予測の質向上を実証する。我々はLong Short-Term Memory(LSTM)ニューラルネットワークを用いて、動的モデリングから得られた生のアンサンブルストリームフロー予測における予測バイアスを補正する。検証結果から,LSTMは気候,時間的持続性,決定論的,生のアンサンブル予測に対して,ストリームフロー予測を改善することができることが示された。
論文参考訳（メタデータ） (2021-06-15T18:46:30Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文参考訳（メタデータ） (2020-01-16T07:14:32Z)

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。