論文の概要: WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models

• arxiv url: http://arxiv.org/abs/2205.00865v1
• Date: Mon, 2 May 2022 12:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 18:37:37.711251
• Title: WeatherBench Probability: A benchmark dataset for probabilistic medium-range weather forecasting along with deep learning baseline models
• Title（参考訳）: WeatherBench Probability:ディープラーニングベースラインモデルとともに確率的中距離天気予報のためのベンチマークデータセット
• Authors: Sagar Garg, Stephan Rasp, Nils Thuerey
• Abstract要約: WeatherBenchは、測地、温度、降水量の中距離天気予報のためのベンチマークデータセットである。 WeatherBench Probabilityはこれを確率的予測に拡張し、確立された確率的検証メトリクスのセットを追加する。
• 参考スコア（独自算出の注目度）: 22.435002906710803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: WeatherBench is a benchmark dataset for medium-range weather forecasting of geopotential, temperature and precipitation, consisting of preprocessed data, predefined evaluation metrics and a number of baseline models. WeatherBench Probability extends this to probabilistic forecasting by adding a set of established probabilistic verification metrics (continuous ranked probability score, spread-skill ratio and rank histograms) and a state-of-the-art operational baseline using the ECWMF IFS ensemble forecast. In addition, we test three different probabilistic machine learning methods -- Monte Carlo dropout, parametric prediction and categorical prediction, in which the probability distribution is discretized. We find that plain Monte Carlo dropout severely underestimates uncertainty. The parametric and categorical models both produce fairly reliable forecasts of similar quality. The parametric models have fewer degrees of freedom while the categorical model is more flexible when it comes to predicting non-Gaussian distributions. None of the models are able to match the skill of the operational IFS model. We hope that this benchmark will enable other researchers to evaluate their probabilistic approaches.
• Abstract（参考訳）: WeatherBenchは、事前処理されたデータ、事前定義された評価指標、および多くのベースラインモデルからなる、地力、温度、降水量の中距離天気予報のためのベンチマークデータセットである。 WeatherBench Probabilityは、ECWMF IFSアンサンブル予測を用いて確立された確率的検証指標(連続的な確率スコア、スプレッドスキル比、ランクヒストグラム)と最先端の運用ベースラインを追加することにより、確率予測にまで拡張する。 さらに,モンテカルロのドロップアウト,パラメトリック予測,カテゴリー予測という,確率分布を識別する3つの異なる確率論的機械学習手法を検証した。 モンテカルロ平原のドロップアウトは不確実性を過小評価している。 パラメトリックモデルとカテゴリーモデルの両方が、同じ品質のかなり信頼できる予測を生成する。 パラメトリックモデルは自由度が低いが、非ガウス分布の予測に関してはカテゴリーモデルはより柔軟である。 どのモデルも運用上のifsモデルのスキルにマッチすることはできません。 このベンチマークによって、他の研究者が確率的アプローチを評価できることを期待しています。

関連論文リスト

• Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
  本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。 このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
  論文  参考訳（メタデータ） (2024-06-07T09:01:25Z)
• Deterministic Guidance Diffusion Model for Probabilistic Weather Forecasting [16.370286635698903]
  textbftextitDeterministic textbftextitGuidance textbftextitDiffusion textbftextitModel (DGDM)を導入する。
  論文  参考訳（メタデータ） (2023-12-05T15:03:15Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• 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)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• 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)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。