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
- Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.946595418809814]
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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳(メタデータ) (2022-07-15T18:21:36Z) - Unsupervised and Few-shot Parsing from Pretrained Language Models [56.33247845224995]
本研究では,事前学習言語モデルで学習した自己注意重み行列に基づいて,アウトアソシエーションスコアを算出した教師なし構成的パーシングモデルを提案する。
教師なしモデルからいくつかの注釈付き木を用いた数ショット構文解析モデルに拡張し、解析のためのより優れた線形射影行列を学習する。
FPIOは20本の注釈付き木で訓練され、50本の注釈付き木で訓練された過去の数枚の構文解析よりも優れていた。
論文 参考訳(メタデータ) (2022-06-10T10:29:15Z) - 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) - Improving solar wind forecasting using Data Assimilation [0.0]
計算効率の良い太陽風モデルを用いた変分DA方式と, STEREO-A, STEREO-B, ACEによるその場観測を用いた。
このスキームは太陽から遠く離れた太陽風の観測を可能にし、太陽風モデルの内部境界条件を更新し改善する。
sterEO-BコローテーションとDA予測の27日間のルート平均二乗誤差(RMSE)は,いずれも非DA予測よりも有意に低い。
論文 参考訳(メタデータ) (2020-12-11T14:05:12Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。