論文の概要: A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting Leveraging Heterogeneous Community Features

• arxiv url: http://arxiv.org/abs/2111.08450v2
• Date: Wed, 17 Nov 2021 15:30:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-21 14:53:39.529565
• Title: A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting Leveraging Heterogeneous Community Features
• Title（参考訳）: ヘテロジニアス・コミュニティの特徴を活用した都市洪水の時空間グラフ深層学習モデル
• Authors: Hamed Farahmand, Yuanchang Xu, and Ali Mostafavi
• Abstract要約: 本研究の目的は,都市浸水流を対象とした新しい深層学習モデルフレームワークの開発と試験である。 本稿では,アテンションベース時空間グラフ畳み込みネットワーク(ASTGCN)モデルを含む新しい計算モデルを提案する。 以上の結果から, このモデルにより, 都市浸水量の増加に優れた性能が得られることが示唆された。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The objective of this study is to develop and test a novel structured deep-learning modeling framework for urban flood nowcasting by integrating physics-based and human-sensed features. We present a new computational modeling framework including an attention-based spatial-temporal graph convolution network (ASTGCN) model and different streams of data that are collected in real-time, preprocessed, and fed into the model to consider spatial and temporal information and dependencies that improve flood nowcasting. The novelty of the computational modeling framework is threefold; first, the model is capable of considering spatial and temporal dependencies in inundation propagation thanks to the spatial and temporal graph convolutional modules; second, it enables capturing the influence of heterogeneous temporal data streams that can signal flooding status, including physics-based features such as rainfall intensity and water elevation, and human-sensed data such as flood reports and fluctuations of human activity. Third, its attention mechanism enables the model to direct its focus on the most influential features that vary dynamically. We show the application of the modeling framework in the context of Harris County, Texas, as the case study and Hurricane Harvey as the flood event. Results indicate that the model provides superior performance for the nowcasting of urban flood inundation at the census tract level, with a precision of 0.808 and a recall of 0.891, which shows the model performs better compared with some other novel models. Moreover, ASTGCN model performance improves when heterogeneous dynamic features are added into the model that solely relies on physics-based features, which demonstrates the promise of using heterogenous human-sensed data for flood nowcasting,
• Abstract（参考訳）: 本研究の目的は,物理モデルと人間センシング機能の統合による,都市洪水流況予測のための新しい構造的ディープラーニングモデリングフレームワークの開発とテストである。 本稿では,注意に基づく空間-時間グラフ畳み込みネットワーク(astgcn)モデルと,リアルタイムに収集され,事前処理され,モデルに供給されるさまざまなデータストリームを含む,新しい計算モデリングフレームワークを提案する。 The novelty of the computational modeling framework is threefold; first, the model is capable of considering spatial and temporal dependencies in inundation propagation thanks to the spatial and temporal graph convolutional modules; second, it enables capturing the influence of heterogeneous temporal data streams that can signal flooding status, including physics-based features such as rainfall intensity and water elevation, and human-sensed data such as flood reports and fluctuations of human activity. 第三に、その注意機構により、モデルは動的に変化する最も影響力のある特徴に焦点を合わせることができる。 本稿では,テキサス州ハリス郡におけるモデリングフレームワークの適用例と,洪水イベントとしてのハリケーン・ハーベイについて述べる。 以上の結果から, このモデルは, 都市部浸水の発生状況において, 0.808の精度と0.891のリコールで優れた性能を示し, 他の新しいモデルと比較して優れた性能を示した。 さらに、ASTGCNモデルの性能は、物理に基づく特徴のみに依存するモデルに不均一な動的特徴を加えることで改善される。

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)
• 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)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Learning Generative Models for Lumped Rainfall-Runoff Modeling [3.69758875412828]
  本研究は, 降雨流出時系列の合成に着目した, 降雨流出モデリングのための新しい生成モデル手法を提案する。 従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出過程を特徴づける。 本研究では,3000以上のグローバルキャッチメントのデータからニューラルネットワークを用いた生成モデルを訓練し,現在のディープラーニングモデルに匹敵する予測精度を達成した。
  論文  参考訳（メタデータ） (2023-09-18T16:07:41Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying Low-Rank Autoregression [12.923271427789267]
  低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。 時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
  論文  参考訳（メタデータ） (2022-11-28T15:59:52Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• Spatio-Temporal Functional Neural Networks [11.73856529960872]
  本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。 提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
  論文  参考訳（メタデータ） (2020-09-11T21:32:35Z)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)

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。