論文の概要: Exceedance Probability Forecasting via Regression for Significant Wave
Height Prediction
- arxiv url: http://arxiv.org/abs/2206.09821v2
- Date: Mon, 26 Jun 2023 09:39:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 01:17:48.333064
- Title: Exceedance Probability Forecasting via Regression for Significant Wave
Height Prediction
- Title(参考訳): 振幅波高予測のための回帰による超越確率予測
- Authors: Vitor Cerqueira, Luis Torgo
- Abstract要約: 本研究では,波高の極端値を予測するタスクを,超越確率予測問題として検討する。
予測モデルに基づく新しい手法を提案する。
その結果,提案手法は,超越確率予測のための最先端手法よりも優れていることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Significant wave height forecasting is a key problem in ocean data analytics.
Predicting the significant wave height is crucial for estimating the energy
production from waves. Moreover, the timely prediction of large waves is
important to ensure the safety of maritime operations, e.g. passage of vessels.
We frame the task of predicting extreme values of significant wave height as an
exceedance probability forecasting problem. Accordingly, we aim at estimating
the probability that the significant wave height will exceed a predefined
threshold. This task is usually solved using a probabilistic binary
classification model. Instead, we propose a novel approach based on a
forecasting model. The method leverages the forecasts for the upcoming
observations to estimate the exceedance probability according to the cumulative
distribution function. We carried out experiments using data from a buoy placed
in the coast of Halifax, Canada. The results suggest that the proposed
methodology is better than state-of-the-art approaches for exceedance
probability forecasting.
- Abstract(参考訳): 波高予測は、海洋データ分析において重要な問題である。
有意な波高の予測は、波からのエネルギー生産を推定するために不可欠である。
さらに,大波のタイムリーな予測は,船舶の通過などの海洋活動の安全を確保するために重要である。
本研究では,波高の極端値を予測するタスクを,超越確率予測問題として検討する。
そこで,本研究では,有意な波高が予め定義されたしきい値を超える確率を推定する。
この課題は通常確率的二項分類モデルを用いて解決される。
そこで本研究では,予測モデルに基づく新しい手法を提案する。
本手法は,今後の観測結果の予測を利用して,累積分布関数に従って超過確率を推定する。
カナダハリファックスの海岸に設置したブイからのデータを用いて実験を行った。
その結果,提案手法は超越確率予測の最先端手法よりも優れていることが示唆された。
関連論文リスト
- Tackling Missing Values in Probabilistic Wind Power Forecasting: A
Generative Approach [1.384633930654651]
そこで本研究では,欠落した値の処理と目標の予測を無関心に行い,未知の値を同時に予測することを提案する。
従来の「インプット、予測」パイプラインと比較して、提案手法は連続的なランク付け確率スコアにおいてより良い性能を達成する。
論文 参考訳(メタデータ) (2024-03-06T11:38:08Z) - 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) - Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing
Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。
全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文 参考訳(メタデータ) (2023-05-26T04:27:48Z) - Finding Islands of Predictability in Action Forecasting [7.215559809521136]
将来のアクションシーケンスは1つの抽象化レベルではなく、変数でより正確にモデル化されていることを示す。
本稿では,ベイズニューラルネットワークと階層的畳み込みセグメンテーションモデルを組み合わせて,将来の行動を正確に予測し,抽象化レベルを最適に選択する手法を提案する。
論文 参考訳(メタデータ) (2022-10-13T21:01:16Z) - 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) - Long Range Probabilistic Forecasting in Time-Series using High Order
Statistics [19.12411040726229]
本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。
提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
論文 参考訳(メタデータ) (2021-11-05T11:10:35Z) - 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) - Forecasting Significant Wave Heights in Oceanic Waters [0.0]
まず,様々なパラメータをキャスティングし,30分間隔で予測した。
提案アルゴリズムは,Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) の0.130, -0.002, 0.97, 0.14を1日先立って予測する。
提案アルゴリズムは,1日先進予測のための有意な波高予測に一般的に使用される最先端手法よりも,はるかに優れた性能を示す。
論文 参考訳(メタデータ) (2021-05-18T15:12:11Z) - 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)
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。