論文の概要: Feature Selection on a Flare Forecasting Testbed: A Comparative Study of
24 Methods
- arxiv url: http://arxiv.org/abs/2109.14770v1
- Date: Thu, 30 Sep 2021 00:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 06:11:57.176367
- Title: Feature Selection on a Flare Forecasting Testbed: A Comparative Study of
24 Methods
- Title(参考訳): フレア予測テストベッドにおける特徴選択--24手法の比較検討
- Authors: Atharv Yeoleka, Sagar Patel, Shreejaa Talla, Krishna Rukmini
Puthucode, Azim Ahmadzadeh, Viacheslav M. Sadykov, and Rafal A. Angryk
- Abstract要約: SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算されている。
本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量的に評価する問題を,初めて体系的に攻撃した。
- 参考スコア(独自算出の注目度): 0.7768952514701895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Space-Weather ANalytics for Solar Flares (SWAN-SF) is a multivariate time
series benchmark dataset recently created to serve the heliophysics community
as a testbed for solar flare forecasting models. SWAN-SF contains 54 unique
features, with 24 quantitative features computed from the photospheric magnetic
field maps of active regions, describing their precedent flare activity. In
this study, for the first time, we systematically attacked the problem of
quantifying the relevance of these features to the ambitious task of flare
forecasting. We implemented an end-to-end pipeline for preprocessing, feature
selection, and evaluation phases. We incorporated 24 Feature Subset Selection
(FSS) algorithms, including multivariate and univariate, supervised and
unsupervised, wrappers and filters. We methodologically compared the results of
different FSS algorithms, both on the multivariate time series and vectorized
formats, and tested their correlation and reliability, to the extent possible,
by using the selected features for flare forecasting on unseen data, in
univariate and multivariate fashions. We concluded our investigation with a
report of the best FSS methods in terms of their top-k features, and the
analysis of the findings. We wish the reproducibility of our study and the
availability of the data allow the future attempts be comparable with our
findings and themselves.
- Abstract(参考訳): space-weather analytics for solar flares (swan-sf) は、太陽フレア予測モデルのテストベッドとしてヘリオフィジカルスコミュニティにサービスを提供するために最近作成された多変量時系列ベンチマークデータセットである。
SWAN-SFには54のユニークな特徴があり、24の定量的特徴が活動領域の光球磁場マップから計算され、その先例的なフレア活動を記述する。
本研究では,これらの特徴がフレア予測の野心的な課題に与える影響を定量化する問題を,初めて体系的に攻撃した。
我々は,前処理,特徴選択,評価フェーズのためのエンドツーエンドパイプラインを実装した。
多変量・単変量・教師なし・教師なし・ラッパー・フィルタを含む24種類の特徴サブセット選択アルゴリズムを組み込んだ。
多変量時系列とベクトル化形式の両方で異なるFSSアルゴリズムの結果を方法論的に比較し、その相関関係と信頼性を、一変量および多変量方法で、未確認データに基づくフレア予測のために選択された特徴を用いて可能な限り検証した。
本研究の結論は, 上位Kの特徴と分析から, 最良FSS法に関する報告で締めくくった。
われわれの研究の再現性とデータの入手により、将来の試みは我々の発見とそれ自身に匹敵するものになることを願っている。
関連論文リスト
- Active Region-based Flare Forecasting with Sliding Window Multivariate
Time Series Forest Classifiers [0.0]
我々は、高次元データに使用される複雑で理解できないブラックボックスモデルと関連するサブインターバルの探索の間のギャップを橋渡しする。
本研究は, 太陽フレア予測において, 風下時系列森林分類器が有効であることを示す。
論文 参考訳(メタデータ) (2024-02-05T19:34:12Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - Probabilistic solar flare forecasting using historical magnetogram data [0.0]
複数の機器から毎日の歴史的マグネトグラムデータの太陽周期を4回以上検討する。
これは、MLベースのフレア予測のために、この歴史的データを活用しようとする最初の試みである。
過去のデータを含むと予測能力や信頼性が向上することがわかった。
論文 参考訳(メタデータ) (2023-08-29T16:10:20Z) - 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) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳(メタデータ) (2021-08-19T14:44:46Z) - How to Train Your Flare Prediction Model: Revisiting Robust Sampling of
Rare Events [0.9851812512860351]
本稿では,メタデータの特徴時系列による太陽フレア予測のケーススタディとして,顕著なクラス不均衡と時間的コヒーレントな問題として扱う。
時系列予測における連続性の要求によって引き起こされる時間的コヒーレンスの概念を概観し、この効果の適切な理解の欠如がモデルの性能を飛躍的に向上させることを示した。
これらの課題に対する主要な改善策を再考し、これらの改善がパフォーマンスに与える影響を正確に示すいくつかの実験を示す。
論文 参考訳(メタデータ) (2021-03-12T21:37:08Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。
QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。
QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
論文 参考訳(メタデータ) (2020-10-04T18:56:34Z) - Supervised Feature Subset Selection and Feature Ranking for Multivariate
Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。
MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文 参考訳(メタデータ) (2020-05-01T07:46:29Z)
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。