論文の概要: Physics Informed Shallow Machine Learning for Wind Speed Prediction

• arxiv url: http://arxiv.org/abs/2204.00495v1
• Date: Fri, 1 Apr 2022 14:55:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 15:18:27.469876
• Title: Physics Informed Shallow Machine Learning for Wind Speed Prediction
• Title（参考訳）: 風速予測のための物理インフォームド浅層機械学習
• Authors: Daniele Lagomarsino-Oneto, Giacomo Meanti, Nicol\`o Pagliana, Alessandro Verri, Andrea Mazzino, Lorenzo Rosasco, Agnese Seminara
• Abstract要約: イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
• 参考スコア（独自算出の注目度）: 66.05661813632568
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The ability to predict wind is crucial for both energy production and weather forecasting. Mechanistic models that form the basis of traditional forecasting perform poorly near the ground. In this paper, we take an alternative data-driven approach based on supervised learning. We analyze a massive dataset of wind measured from anemometers located at 10 m height in 32 locations in two central and north west regions of Italy (Abruzzo and Liguria). We train supervised learning algorithms using the past history of wind to predict its value at a future time (horizon). Using data from a single location and time horizon we compare systematically several algorithms where we vary the input/output variables, the memory of the input and the linear vs non-linear learning model. We then compare performance of the best algorithms across all locations and forecasting horizons. We find that the optimal design as well as its performance vary with the location. We demonstrate that the presence of a reproducible diurnal cycle provides a rationale to understand this variation. We conclude with a systematic comparison with state of the art algorithms and show that, when the model is accurately designed, shallow algorithms are competitive with more complex deep architectures.
• Abstract（参考訳）: 風力予測能力は、エネルギー生産と天気予報の両方に不可欠である。 従来の予測の基礎となるメカニカルモデルは、地面の近くではうまく機能しない。 本稿では,教師付き学習に基づく代替データ駆動アプローチを提案する。 イタリア中部と北西の2つの地域(アブルッツォとリグリア)の32箇所で10mの高さの風速計から測定した膨大な風力データセットを分析した。 我々は,過去の風の歴史を用いて教師付き学習アルゴリズムを訓練し,その価値を未来(水平)に予測する。 1つの位置と時間軸のデータを使用して、入出力変数、入力のメモリ、線形学習モデルと非線形学習モデルが異なるいくつかのアルゴリズムを体系的に比較する。 そして、すべての場所で最高のアルゴリズムのパフォーマンスと予測の地平線を比較します。 最適設計と性能は場所によって異なることがわかった。 再現可能な日周期の存在が,この変動を理解する根拠となることを実証した。 最後に,最先端のアルゴリズムと系統的な比較を行い,モデルが正確に設計されている場合,浅いアルゴリズムはより複雑な深層アーキテクチャと競合することを示した。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• 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)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection [1.4623784198777086]
  風速と風力の短期予測(毎時10分から4時間前)について検討する。 風力予測には、間接的アプローチ(風速予測はパワーカーブを通過する)と間接的アプローチ(直接的風力予測)を比較する。
  論文  参考訳（メタデータ） (2022-04-20T10:09:22Z)
• Multi Scale Graph Wavenet for Wind Speed Forecasting [0.0]
  風速予測のための新しいディープラーニングアーキテクチャであるマルチスケールグラフウェーブネットを提案する。 グラフ畳み込みニューラルネットワークに基づいて、時系列気象データにおける空間的および時間的関係をキャプチャする。 デンマークの異なる都市で観測された実風速データについて実験を行い、その結果を最先端のベースラインモデルと比較した。
  論文  参考訳（メタデータ） (2021-09-30T16:18:30Z)
• Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine Learning [0.0]
  実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。 提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
  論文  参考訳（メタデータ） (2021-09-06T14:46:20Z)
• Probabilistic water demand forecasting using quantile regression algorithms [0.0]
  我々は, 都市水需要予測の確率的1日予測のための数量的回帰型実践システムを自動化し, 広範囲に比較した。 その結果,線形ブースティングアルゴリズムを用いて設計した実用システムが最も好まれる。 平均値と中央値のコンバイナーの予測も一般的には巧妙であることがわかった。
  論文  参考訳（メタデータ） (2021-04-16T09:17:00Z)
• Deep Graph Convolutional Networks for Wind Speed Prediction [4.644923443649426]
  グラフ畳み込みネットワーク(GCN)に基づく風速予測の新しいモデルを紹介します。 デンマークとオランダの都市にある気象観測所から収集した実データを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-01-25T12:22:09Z)

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。