論文の概要: Predicting extreme events from data using deep machine learning: when
and where
- arxiv url: http://arxiv.org/abs/2203.17155v1
- Date: Thu, 31 Mar 2022 16:28:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 19:11:38.215029
- Title: Predicting extreme events from data using deep machine learning: when
and where
- Title（参考訳）: 深層機械学習によるデータからの極端な事象の予測 - 時と場所-
- Authors: Junjie Jiang, Zi-Gang Huang, Celso Grebogi, and Ying-Cheng Lai
- Abstract要約: 我々は,極端事象の発生をモデル無しで予測するためのディープ畳み込みニューラルネットワーク(DCNN)ベースのフレームワークを開発する。
我々は,北大西洋の2次元複素ギンズバーグ・ランダウ方程式と経験的風速データから合成したデータを用いて,機械学習に基づく予測フレームワークの実証と検証を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a deep convolutional neural network (DCNN) based framework for
model-free prediction of the occurrence of extreme events both in time ("when")
and in space ("where") in nonlinear physical systems of spatial dimension two.
The measurements or data are a set of two-dimensional snapshots or images. For
a desired time horizon of prediction, a proper labeling scheme can be
designated to enable successful training of the DCNN and subsequent prediction
of extreme events in time. Given that an extreme event has been predicted to
occur within the time horizon, a space-based labeling scheme can be applied to
predict, within certain resolution, the location at which the event will occur.
We use synthetic data from the 2D complex Ginzburg-Landau equation and
empirical wind speed data of the North Atlantic ocean to demonstrate and
validate our machine-learning based prediction framework. The trade-offs among
the prediction horizon, spatial resolution, and accuracy are illustrated, and
the detrimental effect of spatially biased occurrence of extreme event on
prediction accuracy is discussed. The deep learning framework is viable for
predicting extreme events in the real world.
- Abstract（参考訳）: 我々は,空間次元2の非線形物理系において,時間(when)と空間(where)の両方における極端な事象の発生をモデルフリーで予測するための深層畳み込みニューラルネットワーク(dcnn)ベースのフレームワークを開発した。
測定またはデータは2次元のスナップショットまたは画像の集合である。
所望の時間的予測のために、適切なラベル付けスキームを指定して、DCNNのトレーニングとその後の時間的極端な事象の予測を成功させることが可能である。
極端な事象が時平線内で起こると予測された場合、空間に基づくラベリングスキームは、特定の解像度内で、その事象が起こる場所を予測するために適用することができる。
2次元複素ギンツブルク-ランダウ方程式の合成データと北大西洋の風速データを用いて、機械学習に基づく予測フレームワークを実証・検証した。
予測水平線,空間分解能,精度のトレードオフを考察し,空間偏差による極端事象の発生が予測精度に与える影響について考察した。
ディープラーニングフレームワークは、現実世界の極端なイベントを予測するために有効です。
関連論文リスト
- Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Deep Learning Forecasts Caldera Collapse Events at Kilauea Volcano [0.0]
2018年にハワイのキラウエア火山が噴火し、約60回の半周期の噴火で崩壊した。
これらの障害イベントは、ローカルに記録されたGPS、傾き、および地震活動データに基づいて、地震の再発を予測するための独自のデータセットを提供する。
深層学習グラフニューラルネットワーク(GNN)をトレーニングし、各サイクルの開始時に記録されたデータの一部を使用すれば、カルデラ崩壊イベントの時間と障害を予測する。
論文 参考訳（メタデータ） (2024-04-30T08:28:03Z) - Improving Event Time Prediction by Learning to Partition the Event Time
Space [13.5391816206237]
最近開発された生存分析法は, 未特定時間間隔のそれぞれの事象発生確率を予測し, 既存手法を改良した。
限られた利用可能なデータを持つ臨床環境では、手前の予測タスクに適した限られた間隔にイベント時間空間を散発的に分割することが好ましい。
2つのシミュレーションデータセットにおいて、基礎となる生成モデルと一致する間隔を復元できることが示される。
次に,新たに調和した脳卒中リスク予測データセットを含む実世界の3つの観測データに対して,予測性能の向上を示す。
論文 参考訳（メタデータ） (2023-10-24T14:11:40Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Neural multi-event forecasting on spatio-temporal point processes using
probabilistically enriched transformers [18.66217537327045]
時間と空間における離散的な事象の予測には、危険地震の予測や感染症の発生など、多くの科学的応用がある。
本アーキテクチャでは,正規化フローと層を付加した時間的点過程のニューラルマルチイベント予測を提案する。
我々のネットワークは、複雑な未来の離散イベントのバッチ予測を行い、様々なベンチマークデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-11-05T14:55:36Z) - Multi-axis Attentive Prediction for Sparse EventData: An Application to
Crime Prediction [16.654369376687296]
本稿では,2つの観測角度による事象伝播の短期的ダイナミクスと長期的意味論の両方を抽出するための,純粋に注意的なアプローチを提案する。
提案したコントラスト学習目的は,MAPSEDのセマンティクスとイベントのダイナミックスを捉える能力を大幅に向上させる。
論文 参考訳（メタデータ） (2021-10-05T02:38:46Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
本稿では,船体移動軌跡予測の教師なし手法を提案する。
これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。
多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
論文 参考訳（メタデータ） (2020-07-27T17:45:21Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。