論文の概要: Probabilistic Deep Learning to Quantify Uncertainty in Air Quality
Forecasting
- arxiv url: http://arxiv.org/abs/2112.02622v1
- Date: Sun, 5 Dec 2021 17:01:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 11:08:23.989673
- Title: Probabilistic Deep Learning to Quantify Uncertainty in Air Quality
Forecasting
- Title（参考訳）: 大気質予測の不確かさを定量化する確率論的深層学習
- Authors: Abdulmajid Murad, Frank Alexander Kraemer, Kerstin Bach, Gavin Taylor
- Abstract要約: この研究は、空気質予測の現実的な設定における不確実性定量化の最先端技術を適用した。
本稿では,経験的性能,信頼度推定の信頼性,実用性に基づいて,トレーニング確率モデルを記述し,予測の不確実性を評価する。
本実験は,データ駆動空気質予測の不確かさの定量化において,提案モデルが従来よりも優れた性能を示すことを示す。
- 参考スコア（独自算出の注目度）: 5.007231239800297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven forecasts of air quality have recently achieved more accurate
short-term predictions. Despite their success, most of the current data-driven
solutions lack proper quantifications of model uncertainty that communicate how
much to trust the forecasts. Recently, several practical tools to estimate
uncertainty have been developed in probabilistic deep learning. However, there
have not been empirical applications and extensive comparisons of these tools
in the domain of air quality forecasts. Therefore, this work applies
state-of-the-art techniques of uncertainty quantification in a real-world
setting of air quality forecasts. Through extensive experiments, we describe
training probabilistic models and evaluate their predictive uncertainties based
on empirical performance, reliability of confidence estimate, and practical
applicability. We also propose improving these models using "free" adversarial
training and exploiting temporal and spatial correlation inherent in air
quality data. Our experiments demonstrate that the proposed models perform
better than previous works in quantifying uncertainty in data-driven air
quality forecasts. Overall, Bayesian neural networks provide a more reliable
uncertainty estimate but can be challenging to implement and scale. Other
scalable methods, such as deep ensemble, Monte Carlo (MC) dropout, and
stochastic weight averaging-Gaussian (SWAG), can perform well if applied
correctly but with different tradeoffs and slight variations in performance
metrics. Finally, our results show the practical impact of uncertainty
estimation and demonstrate that, indeed, probabilistic models are more suitable
for making informed decisions. Code and dataset are available at
\url{https://github.com/Abdulmajid-Murad/deep_probabilistic_forecast}
- Abstract（参考訳）: データ駆動による大気質予測は、最近より正確な短期予測を達成した。
その成功にもかかわらず、現在のデータ駆動ソリューションのほとんどは、予測をどの程度信頼するかを伝えるモデル不確実性の適切な定量化を欠いている。
近年,確率的深層学習において不確実性を推定する実用ツールが開発されている。
しかし、空気質予測の分野では、これらのツールの実証的な応用や広範な比較は行われていない。
そこで本研究では,実世界の大気質予測における不確実性定量化技術を適用した。
広範にわたる実験を通じて,実験結果,信頼性推定の信頼性,実用性に基づいて,確率モデルを訓練し,予測の不確実性を評価する。
また,空気質データに固有の時間的・空間的相関を活用し,これらのモデルの改良を提案する。
本実験は,データ駆動空気質予測の不確かさの定量化において,提案モデルが従来よりも優れていることを示す。
全体として、ベイズニューラルネットワークはより信頼性の高い不確実性推定を提供するが、実装とスケールが困難である。
ディープアンサンブル、モンテカルロ(MC)ドロップアウト、確率的ウェイト平均ガウス(SWAG)といった他のスケーラブルな手法は、正しく適用すればうまく機能するが、異なるトレードオフと若干のパフォーマンス指標を持つ。
最後に,不確実性推定の実践的影響を示すとともに,確率モデルの方が情報的決定に適していることを示す。
コードとデータセットは \url{https://github.com/abdulmajid-murad/deep_probabilistic_forecast} で利用可能である。
関連論文リスト
- Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳（メタデータ） (2024-03-20T10:07:51Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Comparison of Uncertainty Quantification with Deep Learning in Time
Series Regression [7.6146285961466]
本稿では,気象時系列データと異なる不確実性推定手法を比較した。
その結果,各不確実性推定手法が予測タスクに与える影響が示された。
論文 参考訳（メタデータ） (2022-11-11T14:29:13Z) - Measuring the Confidence of Traffic Forecasting Models: Techniques,
Experimental Comparison and Guidelines towards Their Actionability [7.489793155793319]
不確実性推定は、予測結果に対するモデルの信頼性に関する強化された情報を提供する。
機械学習モデルで測定できるさまざまなタイプの不確実性に関して、微妙なコンセンサスがあります。
この研究は、文献で利用可能なさまざまな技術と不確実性のメトリクスをレビューすることによって、この研究の欠如をカバーすることを目的としている。
論文 参考訳（メタデータ） (2022-10-28T10:49:55Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Evaluation of Machine Learning Techniques for Forecast Uncertainty
Quantification [0.13999481573773068]
アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。
アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。
本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
論文 参考訳（メタデータ） (2021-11-29T16:52:17Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning Prediction Intervals for Model Performance [1.433758865948252]
モデル性能の予測間隔を計算する手法を提案する。
我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
論文 参考訳（メタデータ） (2020-12-15T21:32:03Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。