Fugu-MT 論文翻訳(概要): A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction

論文の概要: A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction

arxiv url: http://arxiv.org/abs/2203.05757v1
Date: Fri, 11 Mar 2022 05:11:31 GMT
ステータス: 処理完了
システム内更新日: 2022-03-14 12:18:40.313230
Title: A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction
Title（参考訳）: 太陽黒点数予測のための非深層学習、深層学習、アンサンブル学習法の比較研究
Authors: Yuchen Dang, Ziqi Chen, Heng Li, Hai Shu
Abstract要約: 太陽活動は人間の活動と健康に大きな影響を及ぼす。太陽活動の最もよく使われる尺度は、太陽黒点数である。本稿では,3つの重要な非深層学習モデル,4つの人気のある深層学習モデル,およびその5つのアンサンブルモデルを比較した。
参考スコア（独自算出の注目度）: 5.969216078564555
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Solar activity has significant impacts on human activities and health. One most commonly used measure of solar activity is the sunspot number. This paper compares three important non-deep learning models, four popular deep learning models, and their five ensemble models in forecasting sunspot numbers. Our proposed ensemble model XGBoost-DL, which uses XGBoost as a two-level nonlinear ensemble method to combine the deep learning models, achieves the best forecasting performance among all considered models and the NASA's forecast. Our XGBoost-DL forecasts a peak sunspot number of 133.47 in May 2025 for Solar Cycle 25 and 164.62 in November 2035 for Solar Cycle 26, similar to but later than the NASA's at 137.7 in October 2024 and 161.2 in December 2034.
Abstract（参考訳）: 太陽活動は人間の活動と健康に大きな影響を及ぼす。太陽活動の最もよく使われる尺度は、太陽黒点数である。本稿では,3つの重要な非深層学習モデル,4つの人気のある深層学習モデル,および5つのアンサンブルモデルを比較した。提案するアンサンブルモデルXGBoost-DLは,XGBoostを2レベル非線形アンサンブル法として,ディープラーニングモデルを組み合わせることで,検討対象モデルとNASAの予測で最高の予測性能を実現する。我々のXGBoost-DLは、2025年5月に太陽周期25で133.47、2035年11月にソーラーサイクル26で164.62、2024年10月に137.7、2034年12月に161.2と予測している。

関連論文リスト

GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントに28のデータセットが含まれている。また、約2300億のデータポイントを含む非学習事前学習データセットも提供します。
論文参考訳（メタデータ） (2024-10-14T11:29:38Z)
Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文参考訳（メタデータ） (2024-09-25T23:09:46Z)
SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe [0.0]
SolNetは、新しい汎用多変量太陽発電予測器である。我々はSolNetがデータスカース設定よりも予測性能を向上させることを示す。転校学習実践者に対するガイドラインと考察を行う。
論文参考訳（メタデータ） (2024-05-23T12:00:35Z)
Aurora: A Foundation Model of the Atmosphere [56.97266186291677]
我々はAuroraを紹介します。Auroraは、100万時間以上の多様な気象および気候データに基づいてトレーニングされた大気の大規模な基礎モデルです。オーロラは1分以内に5日間の大気汚染予測と10日間の高解像度気象予測を生み出している。
論文参考訳（メタデータ） (2024-05-20T14:45:18Z)
Advancing LLM Reasoning Generalists with Preference Trees [119.57169648859707]
推論に最適化された大規模言語モデル(LLM)のスイートであるEulusを紹介する。 Eurusモデルは、様々なベンチマークでオープンソースのモデルの間で最先端の結果を得る。
論文参考訳（メタデータ） (2024-04-02T16:25:30Z)
Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文参考訳（メタデータ） (2023-10-02T23:09:59Z)
Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-06-01T19:54:39Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文参考訳（メタデータ） (2023-01-21T19:16:03Z)
Solar Irradiation Forecasting using Genetic Algorithms [0.0]
太陽エネルギーは再生可能エネルギーの最も重要な貢献者の1つである。電力グリッドの効率的な管理には、高精度な太陽光照射を予測する予測モデルが必要である。訓練と検証に使用されるデータは、アメリカ合衆国の3つの異なる地理的ステーションから記録されている。
論文参考訳（メタデータ） (2021-06-26T06:48:20Z)
Benchmarking of Deep Learning Irradiance Forecasting Models from Sky Images -- an in-depth Analysis [0.0]
我々は4つのよく使われるディープラーニングアーキテクチャを訓練し、半球空画像のシーケンスから太陽の照度を予測する。その結果、時間的側面の符号化は予測を大幅に改善し、10分予測スキルはテスト年度で20.4%に達した。一般的なセットアップでは、ディープラーニングモデルは"非常にスマートな永続化モデル"のように振る舞う傾向があり、永続モデルと時間的に一致し、最もペナルティの高いエラーを軽減します。
論文参考訳（メタデータ） (2021-02-01T09:31:14Z)

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。