論文の概要: Use of 1D-CNN for input data size reduction of LSTM in Hourly
Rainfall-Runoff modeling
- arxiv url: http://arxiv.org/abs/2111.04732v1
- Date: Sun, 7 Nov 2021 23:46:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 14:37:00.270721
- Title: Use of 1D-CNN for input data size reduction of LSTM in Hourly
Rainfall-Runoff modeling
- Title（参考訳）: 1D-CNNを用いた1時間降雨・流出モデルにおけるLSTMの入力データサイズ削減
- Authors: Kei Ishida, Ali Ercan, Takeyoshi Nagasato, Masato Kiyama, and Motoki
Amagasaki
- Abstract要約: CNNsLSTMは石狩川流域で1時間ごとの降雨・流出モデルとして実装された。
CNNsLSTMの結果は、1D-CNNとLSTMを時差入力のみ(LSTMwHour)、1D-CNNとLSTMの並列アーキテクチャ(CNNpLSTM)、日毎および時差入力データ(LSTMwDpH)を用いたLSTMアーキテクチャと比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An architecture consisting of a serial coupling of the one-dimensional
convolutional neural network (1D-CNN) and the long short-term memory (LSTM)
network, which is referred as CNNsLSTM, was proposed for hourly-scale
rainfall-runoff modeling in this study. In CNNsLTSM, the CNN component receives
the hourly meteorological time series data for a long duration, and then the
LSTM component receives the extracted features from 1D-CNN and the hourly
meteorological time series data for a short-duration. As a case study, CNNsLSTM
was implemented for hourly rainfall-runoff modeling at the Ishikari River
watershed, Japan. The meteorological dataset, consists of precipitation, air
temperature, evapotranspiration, and long- and short-wave radiation, were
utilized as input, and the river flow was used as the target data. To evaluate
the performance of proposed CNNsLSTM, results of CNNsLSTM were compared with
those of 1D-CNN, LSTM only with hourly inputs (LSTMwHour), parallel
architecture of 1D-CNN and LSTM (CNNpLSTM), and the LSTM architecture which
uses both daily and hourly input data (LSTMwDpH). CNNsLSTM showed clear
improvements on the estimation accuracy compared to the three conventional
architectures (1D-CNN, LSTMwHour, and CNNpLSTM), and recently proposed
LSTMwDpH. In comparison to observed flows, the median of the NSE values for the
test period are 0.455-0.469 for 1D-CNN (based on NCHF=8, 16, and 32, the
numbers of the channels of the feature map of the first layer of CNN),
0.639-0.656 for CNNpLSTM (based on NCHF=8, 16, and 32), 0.745 for LSTMwHour,
0.831 for LSTMwDpH, and 0.865-0.873 for CNNsLSTM (based on NCHF=8, 16, and 32).
Furthermore, the proposed CNNsLSTM reduces the median RMSE of 1D-CNN by
50.2%-51.4%, CNNpLSTM by 37.4%-40.8%, LSTMwHour by 27.3%-29.5%, and LSTMwDpH by
10.6%-13.4%.
- Abstract（参考訳）: CNNsLSTMと呼ばれる1次元畳み込みニューラルネットワーク(1D-CNN)と長短期記憶(LSTM)の連成構造を1時間ごとの降雨・流出モデルとして提案した。
CNNsLTSMでは、CNN成分が長時間の時間気象時系列データを受信し、LSTM成分が1D-CNNと時間気象時系列データから抽出した特徴を短時間で受信する。
ケーススタディとして, 石狩川流域の1時間降雨流出モデルにCNNsLSTMを適用した。
降水, 気温, 蒸発散量, 長波, 短波の放射量からなる気象データセットを入力として利用し, 河川流を対象データとした。
CNNsLSTMの性能を評価するため,CNNsLSTMは1D-CNN,LSTMは1D-CNNとLSTMの並列アーキテクチャ(CNNpLSTM)と1D-CNNとLSTMの並列アーキテクチャ(LSTMwDpH)を比較した。
CNNsLSTMは従来の3つのアーキテクチャ(1D-CNN, LSTMwHour, CNNpLSTM)と比較して推定精度が向上し、最近LSTMwDpHを提案した。
試験期間のNSE値の平均値は1D-CNNが0.455-0.469(NCHF=8, 16, 32)、CNNpLSTMが0.639-0.656(NCHF=8, 16, 32)、LSTMwHourが0.745、LSTMwDpHが0.831、CNNsLSTMが0.865-0.873(NCHF=8, 16, 32)である。
さらに,1d-cnnの中央値rmseを50.2%-51.4%,cnnplstmを37.4%-40.8%,lstmwhourを27.3%-29.5%,lstmwdphを10.6%-13.4%削減した。
関連論文リスト
- A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM [0.0]
我々は,CNN-LSTMを時系列設定に適用し,ストリームフローの予測にタグ付きストリームフローデータを活用する。
ネブラスカ州32のHUC8流域において, 予測性能は有意に向上した。
論文 参考訳（メタデータ） (2024-04-11T17:10:57Z) - Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis
Using Sequential Multisequence MRI [0.0]
多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。
我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
論文 参考訳（メタデータ） (2024-01-22T17:14:47Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Short-Term Aggregated Residential Load Forecasting using BiLSTM and
CNN-BiLSTM [0.3499870393443268]
短期的な住宅負荷予測が注目の的となっている。
最近、この問題に対処するためにディープニューラルネットワークが活用されている。
本稿では、双方向長短期メモリ(BiLSTM)と畳み込みニューラルネットワークに基づくBiLSTMの機能について検討する。
論文 参考訳（メタデータ） (2023-02-10T03:11:02Z) - Image Classification using Sequence of Pixels [3.04585143845864]
本研究では,繰り返しニューラルネットワークを用いた逐次画像分類法の比較を行った。
本稿では,Long-Short-Term memory(LSTM)やBidirectional Long-Short-Term memory(BiLSTM)アーキテクチャに基づく手法について述べる。
論文 参考訳（メタデータ） (2022-09-23T09:42:44Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Exploiting Low-Rank Tensor-Train Deep Neural Networks Based on
Riemannian Gradient Descent With Illustrations of Speech Processing [74.31472195046099]
我々は、低ランクテンソルトレイン深層ニューラルネットワーク(TT-DNN)を用いて、エンドツーエンドのディープラーニングパイプライン、すなわちLR-TT-DNNを構築する。
LR-TT-DNNと畳み込みニューラルネットワーク(CNN)を組み合わせたハイブリッドモデルを構築し、性能を向上する。
我々の実証的な証拠は、モデルパラメータが少ないLR-TT-DNNとCNN+(LR-TT-DNN)モデルが、TT-DNNとCNN+(LR-TT-DNN)モデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-03-11T15:55:34Z) - End-to-end LSTM based estimation of volcano event epicenter localization [55.60116686945561]
火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。
LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。
その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
論文 参考訳（メタデータ） (2021-10-27T17:11:33Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳（メタデータ） (2020-05-24T00:17:15Z)
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。