Fugu-MT 論文翻訳(概要): Dual-Branched Spatio-temporal Fusion Network for Multi-horizon Tropical Cyclone Track Forecast

論文の概要: Dual-Branched Spatio-temporal Fusion Network for Multi-horizon Tropical Cyclone Track Forecast

arxiv url: http://arxiv.org/abs/2202.13336v1
Date: Sun, 27 Feb 2022 10:45:18 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 14:20:37.354370
Title: Dual-Branched Spatio-temporal Fusion Network for Multi-horizon Tropical Cyclone Track Forecast
Title（参考訳）: マルチホリゾン熱帯サイクロン軌道予測のための2分岐時空間融合ネットワーク
Authors: Zili Liu and Kun Hao and Xiaoyi Geng and Zhenwei Shi
Abstract要約: 本稿では,多時間的特徴を効果的に融合させる多軸熱帯サイクロントラック予測モデルを提案する。エンコーダデコーダに基づくアーキテクチャと効率的な機能融合により、DBF-Netは2種類のデータの情報を完全にマイニングし、優れたTCトラック予測結果が得られる。
参考スコア（独自算出の注目度）: 13.123672819646336
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tropical cyclone (TC) is an extreme tropical weather system and its trajectory can be described by a variety of spatio-temporal data. Effective mining of these data is the key to accurate TCs track forecasting. However, existing methods face the problem that the model complexity is too high or it is difficult to efficiently extract features from multi-modal data. In this paper, we propose the Dual-Branched spatio-temporal Fusion Network (DBF-Net) -- a novel multi-horizon tropical cyclone track forecasting model which fuses the multi-modal features efficiently. DBF-Net contains a TC features branch that extracts temporal features from 1D inherent features of TCs and a pressure field branch that extracts spatio-temporal features from reanalysis 2D pressure field. Through the encoder-decoder-based architecture and efficient feature fusion, DBF-Net can fully mine the information of the two types of data, and achieve good TCs track prediction results. Extensive experiments on historical TCs track data in the Northwest Pacific show that our DBF-Net achieves significant improvement compared with existing statistical and deep learning TCs track forecast methods.
Abstract（参考訳）: 熱帯サイクロン(TC)は極端に熱帯の気象システムであり、その軌道は様々な時空間データによって説明できる。これらのデータの効果的なマイニングが、正確なTCトラック予測の鍵となる。しかし、既存の手法では、モデル複雑性が高すぎるか、マルチモーダルデータから効率的に特徴を抽出することが難しいという問題に直面している。本稿では,マルチモーダルな特徴を効率的に融合する新しい熱帯低気圧予測モデルであるDual-Branched Spatio-temporal Fusion Network (DBF-Net)を提案する。 DBF-Netは、TCの1D固有の特徴から時空間特徴を抽出するTC特徴分枝と、再解析2D圧力分枝から時空間特徴を抽出する圧力分枝を含む。エンコーダデコーダに基づくアーキテクチャと効率的な機能融合により、DBF-Netは2種類のデータの情報を完全にマイニングし、TCが予測結果を追跡できる。北西太平洋における過去のTCsトラックデータに関する大規模な実験により,我々のDBF-Netは,既存の統計・ディープラーニングTCsトラック予測手法と比較して大幅に改善されていることがわかった。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Time Distributed Deep Learning models for Purely Exogenous Forecasting. Application to Water Table Depth Prediction using Weather Image Time Series [1.4436965372953483]
グラナ・マイラ(IT)における水テーブル深度を予測するための2つの異なるディープラーニングモデルを提案する。画像時系列を扱うために、どちらのモデルも最初のTime Distributed Convolutional Neural Network (TDC) で構成され、各ステップで利用可能な画像をベクトル表現にエンコードする。 TDC-LSTMはバイアスの低減に重点を置いており、TDC-UnPWaveNetは時間的ダイナミクスの最大化とKGEに重点を置いている。
論文参考訳（メタデータ） (2024-09-20T07:25:54Z)
TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
Prediction of Vessel Arrival Time to Pilotage Area Using Multi-Data Fusion and Deep Learning [9.458664533786994]
本稿では,マルチデータフュージョンと深層学習手法を用いて,船舶の操縦場到着時刻の予測について検討する。シンガポールの2つの実世界のデータセットに関する試験が行われ、以下の有望な結果が得られた。
論文参考訳（メタデータ） (2024-03-15T02:25:04Z)
Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文参考訳（メタデータ） (2023-05-30T04:03:15Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。 PCT-CycleGANは画像間翻訳において高い性能を示す。反復予測で最大2時間の信頼性のある予測を提供する。
論文参考訳（メタデータ） (2022-11-28T04:08:55Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文参考訳（メタデータ） (2020-11-26T04:04:21Z)
Hurricane Forecasting: A Novel Multimodal Machine Learning Framework [2.829284162137884]
我々のフレームワークはHurricastと呼ばれ、時空間データと統計データを効率的に組み合わせている。 Hurricastの運用予測コンセンサスモデルへの導入は、National Hurricane Centerの公式予測よりも改善される可能性がある。
論文参考訳（メタデータ） (2020-11-11T23:55:33Z)
MSDPN: Monocular Depth Prediction with Partial Laser Observation using Multi-stage Neural Networks [1.1602089225841632]
深層学習に基づくマルチステージネットワークアーキテクチャであるMulti-Stage Depth Prediction Network (MSDPN)を提案する。 MSDPNは2次元LiDARと単眼カメラを用いて深度マップを予測する。実験により,本ネットワークは最先端手法に対して有望な性能を示す。
論文参考訳（メタデータ） (2020-08-04T08:27:40Z)

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。