論文の概要: A Deep Learning Approach to Probabilistic Forecasting of Weather
- arxiv url: http://arxiv.org/abs/2203.12529v1
- Date: Wed, 23 Mar 2022 16:43:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 14:27:44.588144
- Title: A Deep Learning Approach to Probabilistic Forecasting of Weather
- Title(参考訳): 天気予報の確率的予測への深層学習アプローチ
- Authors: Nick Rittler, Carlo Graziani, Jiali Wang, and Rao Kotamarthi
- Abstract要約: 本稿では,2つの連鎖学習ステップに基づく確率予測手法について論じる。
本手法は,22年間の気象調査・予測(WRF)シミュレーションデータを用いて,グリッド上の表面風の時系列データを用いて検証する。
- 参考スコア(独自算出の注目度): 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We discuss an approach to probabilistic forecasting based on two chained
machine-learning steps: a dimensional reduction step that learns a reduction
map of predictor information to a low-dimensional space in a manner designed to
preserve information about forecast quantities; and a density estimation step
that uses the probabilistic machine learning technique of normalizing flows to
compute the joint probability density of reduced predictors and forecast
quantities. This joint density is then renormalized to produce the conditional
forecast distribution. In this method, probabilistic calibration testing plays
the role of a regularization procedure, preventing overfitting in the second
step, while effective dimensional reduction from the first step is the source
of forecast sharpness. We verify the method using a 22-year 1-hour cadence time
series of Weather Research and Forecasting (WRF) simulation data of surface
wind on a grid.
- Abstract(参考訳): 本稿では,予測情報の低次元空間への還元マップを,予測量に関する情報の保存を目的として学習する次元還元ステップと,正規化フローの確率的機械学習技術を用いて予測量と予測量の結合確率密度を計算する密度推定ステップという,2つの連鎖した機械学習ステップに基づく確率的予測手法について論じる。
この結合密度は、条件予測分布を生成するために再正規化される。
この方法では、確率的キャリブレーション試験が正規化手順の役割を担い、第2段階のオーバーフィッティングを防止し、第1段階からの効果的な次元還元が予測シャープネスの源となる。
本手法は,22年間の気象調査・予測(WRF)シミュレーションデータを用いて,グリッド上の表面風の時系列データを用いて検証する。
関連論文リスト
- PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。
予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文 参考訳(メタデータ) (2023-07-19T19:19:13Z) - A Kriging-Random Forest Hybrid Model for Real-time Ground Property
Prediction during Earth Pressure Balance Shield Tunneling [4.211598412777403]
地圧バランスシールドに先立って, リアルタイムな地盤特性予測を行うために, クリッギング・ランダム森林ハイブリッドモデルを開発した。
提案したKRFアルゴリズムは,事前情報とリアルタイム情報という2種類の情報を合成する。
提案したKRFアルゴリズムは,既存のLightGBM,AdaBoost-CART,および29%,8%,12%を上回り,93%の精度で地盤特性を予測できる。
論文 参考訳(メタデータ) (2023-05-09T02:16:48Z) - Adapting to Continuous Covariate Shift via Online Density Ratio
Estimation [90.62832273403077]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
我々の目標は、予測者が時間とともに蓄積される予測リスクを最小限に抑えるように、適応的に予測者を訓練することである。
論文 参考訳(メタデータ) (2023-02-06T04:03:33Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳(メタデータ) (2022-08-11T15:21:53Z) - 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 Forecasting with Generative Networks via Scoring Rule
Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文 参考訳(メタデータ) (2021-12-15T15:51:12Z) - 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) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - 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) - Nonparametric Conditional Density Estimation In A Deep Learning
Framework For Short-Term Forecasting [0.34410212782758043]
多くの機械学習技術は、対象変数の条件分布の単一点予測を与える。
本研究では,条件分布全体を同時に推定し,柔軟に機械学習技術を組み込む技術を提案する。
論文 参考訳(メタデータ) (2020-08-17T22:31:19Z) - 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。