論文の概要: A Bayesian Deep Learning Approach to Near-Term Climate Prediction
- arxiv url: http://arxiv.org/abs/2202.11244v1
- Date: Wed, 23 Feb 2022 00:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 16:31:03.000546
- Title: A Bayesian Deep Learning Approach to Near-Term Climate Prediction
- Title（参考訳）: ベイズ的深層学習による気候予測
- Authors: Xihaier Luo and Balasubramanya T. Nadiga and Yihui Ren and Ji Hwan
Park and Wei Xu and Shinjae Yoo
- Abstract要約: 気候予測に対する補完的な機械学習に基づくアプローチを追求する。
特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 12.870804083819603
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Since model bias and associated initialization shock are serious shortcomings
that reduce prediction skills in state-of-the-art decadal climate prediction
efforts, we pursue a complementary machine-learning-based approach to climate
prediction. The example problem setting we consider consists of predicting
natural variability of the North Atlantic sea surface temperature on the
interannual timescale in the pre-industrial control simulation of the Community
Earth System Model (CESM2). While previous works have considered the use of
recurrent networks such as convolutional LSTMs and reservoir computing networks
in this and other similar problem settings, we currently focus on the use of
feedforward convolutional networks. In particular, we find that a feedforward
convolutional network with a Densenet architecture is able to outperform a
convolutional LSTM in terms of predictive skill. Next, we go on to consider a
probabilistic formulation of the same network based on Stein variational
gradient descent and find that in addition to providing useful measures of
predictive uncertainty, the probabilistic (Bayesian) version improves on its
deterministic counterpart in terms of predictive skill. Finally, we
characterize the reliability of the ensemble of ML models obtained in the
probabilistic setting by using analysis tools developed in the context of
ensemble numerical weather prediction.
- Abstract（参考訳）: モデルバイアスとそれに伴う初期化ショックは、最先端の気候予測における予測スキルを低下させる深刻な欠点であるため、気候予測に対する機械学習に基づく補完的なアプローチを追求する。
地域地球系モデル(CESM2)の土木前制御シミュレーションにおいて,北大西洋海面温度の自然変動を年間時間スケールで予測する。
従来の研究では,畳み込み型LSTMや貯水池型コンピューティングネットワークなどのリカレントネットワークの利用が検討されているが,現在はフィードフォワード型畳み込み型ネットワークの利用に重点を置いている。
特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
次に, スタイン変分勾配降下に基づく同一ネットワークの確率的定式化を考察し, 予測の不確かさの有用な尺度を提供するとともに, 予測スキルの観点から, 確率的(ベイズ的)バージョンが決定論的に同等のネットワークの定式化を改善できることを見いだす。
最後に,確率的設定で得られたmlモデルのアンサンブルの信頼性を,アンサンブル数値気象予測の文脈で開発された分析ツールを用いて特徴付ける。
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) - 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) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳（メタデータ） (2023-11-27T21:37:50Z) - 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) - Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。
最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
論文 参考訳（メタデータ） (2023-07-19T07:31:37Z) - 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) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳（メタデータ） (2020-10-27T21:02:26Z)
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。