論文の概要: Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction

• arxiv url: http://arxiv.org/abs/2206.09821v4
• Date: Mon, 6 May 2024 10:08:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 03:49:02.111739
• Title: Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction
• Title（参考訳）: 波高予測のための回帰による出力確率予測
• Authors: Vitor Cerqueira, Luis Torgo,
• Abstract要約: 沿岸災害の原因となる大きな波高の極端な値の予測に着目する。 本稿では,点予測に基づく新しい手法を提案する。 カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Significant wave height forecasting is a key problem in ocean data analytics. This task affects several maritime operations, such as managing the passage of vessels or estimating the energy production from waves. In this work, we focus on the prediction of extreme values of significant wave height that can cause coastal disasters. This task is framed as an exceedance probability forecasting problem. Accordingly, we aim to estimate the probability that the significant wave height will exceed a predefined critical threshold. This problem is usually solved using a probabilistic binary classification model or an ensemble of forecasts. Instead, we propose a novel approach based on point forecasting. Computing both type of forecasts (binary probabilities and point forecasts) can be useful for decision-makers. While a probabilistic binary forecast streamlines information for end-users concerning exceedance events, the point forecasts can provide additional insights into the upcoming future dynamics. The procedure of the proposed solution works by assuming that the point forecasts follow a distribution with the location parameter equal to that forecast. Then, we convert these point forecasts into exceedance probability estimates using the cumulative distribution function. We carried out experiments using data from a smart buoy placed on 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。 この作業は、船舶の航路を管理したり、波からのエネルギー生産を見積もるなど、いくつかの海洋活動に影響を及ぼす。 本研究は,沿岸災害の原因となる大きな波高の極端な値の予測に焦点をあてる。 このタスクは、超越確率予測問題としてフレーム化される。 そこで本研究では,有意波高が予め定義された臨界しきい値を超える確率を推定することを目的とする。 この問題は通常、確率的二項分類モデルや予測の集合を用いて解決される。 そこで我々は,点予測に基づく新しい手法を提案する。 両タイプの予測(バイナリ確率とポイント予測)の計算は、意思決定者にとって有用である。 確率的バイナリ予測は、超過イベントに関するエンドユーザの情報を合理化するが、ポイント予測は今後のダイナミクスに関するさらなる洞察を与えることができる。 提案手法の手順は,その推定値に等しい位置パラメータを持つ分布に点予測が従うことを仮定して機能する。 そして,これらの点予測を累積分布関数を用いて超越確率推定に変換する。 カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。 その結果,提案手法は,超越確率予測のため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)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• 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)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• 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)
• Probability Paths and the Structure of Predictions over Time [14.208729304407536]
  天気予報から政治的予測に至るまで、将来の2次結果の確率推定はしばしば時間とともに進化する。 時間とともに動的予測の構造をモデル化するためのベイズ的枠組みを導入する。 予測の動的構造を時間とともに解明することで、個人がより情報のある選択を行えるようにしたいと考えています。
  論文  参考訳（メタデータ） (2021-06-11T17:18:05Z)
• 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。