論文の概要: An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions

• arxiv url: http://arxiv.org/abs/2204.09501v1
• Date: Mon, 18 Apr 2022 23:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 04:12:52.107289
• Title: An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions
• Title（参考訳）: ストームサージ予測のための時空間畳み込み畳み込みリカレントニューラルネットワーク
• Authors: Ehsan Adeli, Luning Sun, Jianxun Wang, Alexandros A. Taflanidis
• Abstract要約: 本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
• 参考スコア（独自算出の注目度）: 73.4962254843935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this research paper, we study the capability of artificial neural network models to emulate storm surge based on the storm track/size/intensity history, leveraging a database of synthetic storm simulations. Traditionally, Computational Fluid Dynamics solvers are employed to numerically solve the storm surge governing equations that are Partial Differential Equations and are generally very costly to simulate. This study presents a neural network model that can predict storm surge, informed by a database of synthetic storm simulations. This model can serve as a fast and affordable emulator for the very expensive CFD solvers. The neural network model is trained with the storm track parameters used to drive the CFD solvers, and the output of the model is the time-series evolution of the predicted storm surge across multiple nodes within the spatial domain of interest. Once the model is trained, it can be deployed for further predictions based on new storm track inputs. The developed neural network model is a time-series model, a Long short-term memory, a variation of Recurrent Neural Network, which is enriched with Convolutional Neural Networks. The convolutional neural network is employed to capture the correlation of data spatially. Therefore, the temporal and spatial correlations of data are captured by the combination of the mentioned models, the ConvLSTM model. As the problem is a sequence to sequence time-series problem, an encoder-decoder ConvLSTM model is designed. Some other techniques in the process of model training are also employed to enrich the model performance. The results show the proposed convolutional recurrent neural network outperforms the Gaussian Process implementation for the examined synthetic storm database.
• Abstract（参考訳）: 本研究では,人工嵐シミュレーションのデータベースを用いて,嵐のトラック・サイズ・強度履歴に基づいて高潮をエミュレートする人工ニューラルネットワークモデルの能力について検討する。 伝統的に、計算流体力学解法は、部分微分方程式であるストームサージ支配方程式を数値的に解くために用いられ、一般にシミュレーションに非常にコストがかかる。 本研究では,人工嵐シミュレーションのデータベースを用いて,高潮を予測可能なニューラルネットワークモデルを提案する。 このモデルは、非常に高価なCFDソルバのための高速で安価なエミュレータとして機能する。 ニューラルネットワークモデルは、cfdソルバの駆動に使用されるストームトラックパラメータでトレーニングされ、モデルの出力は、関心領域内の複数のノードにまたがる予測ストームサージの時系列進化である。 モデルがトレーニングされると、新しいstormトラック入力に基づいて、さらなる予測のためにデプロイすることができる。 開発されたニューラルネットワークモデルは時系列モデルであり、長期の短期記憶であり、畳み込みニューラルネットワークに富んだ再帰的ニューラルネットワークのバリエーションである。 畳み込みニューラルネットワークを用いてデータの相関を空間的に捉える。 したがって,データの時間的および空間的相関は,上述したモデルであるConvLSTMモデルの組み合わせによって得られる。 問題はシーケンス時系列問題であるので、エンコーダデコーダのConvLSTMモデルが設計される。 モデルトレーニングのプロセスにおける他のテクニックも、モデルパフォーマンスを強化するために採用されている。 その結果,提案した畳み込みリカレントニューラルネットワークは,合成嵐データベースのガウス過程の実装よりも優れていた。

関連論文リスト

• Gradient-free training of recurrent neural networks [3.272216546040443]
  本稿では,勾配に基づく手法を使わずに再帰型ニューラルネットワークの重みとバイアスを全て構成する計算手法を提案する。 このアプローチは、動的システムに対するランダムな特徴ネットワークとクープマン作用素理論の組み合わせに基づいている。 時系列の計算実験,カオス力学系の予測,制御問題などにおいて,構築したリカレントニューラルネットワークのトレーニング時間と予測精度が向上することが観察された。
  論文  参考訳（メタデータ） (2024-10-30T21:24:34Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Stochastic Recurrent Neural Network for Multistep Time Series Forecasting [0.0]
  我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。 私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
  論文  参考訳（メタデータ） (2021-04-26T01:43:43Z)
• Aedes-AI: Neural Network Models of Mosquito Abundance [0.0]
  本研究では,フィードフォワードニューラルネットワーク,短期メモリゲート型ニューラルネットワーク,リカレントユニットを開発した。 蚊集団の反復的な特徴を機械的モデルにより再現できるネットワークの評価を行った。 我々は,このような方程式のないモデルがベクトル制御や任意の空間スケールでの疾病リスクの予測をいかに促進するかを展望する。
  論文  参考訳（メタデータ） (2021-04-21T21:28:03Z)
• Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard convection [0.0]
  モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。 我々のモデルは複雑なダイナミクスを学習することができると結論づける。
  論文  参考訳（メタデータ） (2021-01-27T11:27:16Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。