論文の概要: Amplitude Scintillation Forecasting Using Bagged Trees

• arxiv url: http://arxiv.org/abs/2207.08745v1
• Date: Mon, 18 Jul 2022 16:39:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 19:27:54.124862
• Title: Amplitude Scintillation Forecasting Using Bagged Trees
• Title（参考訳）: 袋入り木を用いた振幅シンチレーション予測
• Authors: Abdollah Masoud Darya, Aisha Abdulla Al-Owais, Muhammad Mubasshir Shaikh, Ilias Fernini
• Abstract要約: 信号パワーのゆらぎは振幅シンチレーションと呼ばれ、S4インデックスを通して監視することができる。 我々は,1つのGPSシンチレーション監視受信機からの履歴データを用いて,振幅シンチレーションの重症度を予測する機械学習(ML)モデルを訓練する可能性を検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electron density irregularities present within the ionosphere induce significant fluctuations in global navigation satellite system (GNSS) signals. Fluctuations in signal power are referred to as amplitude scintillation and can be monitored through the S4 index. Forecasting the severity of amplitude scintillation based on historical S4 index data is beneficial when real-time data is unavailable. In this work, we study the possibility of using historical data from a single GPS scintillation monitoring receiver to train a machine learning (ML) model to forecast the severity of amplitude scintillation, either weak, moderate, or severe, with respect to temporal and spatial parameters. Six different ML models were evaluated and the bagged trees model was the most accurate among them, achieving a forecasting accuracy of $81\%$ using a balanced dataset, and $97\%$ using an imbalanced dataset.
• Abstract（参考訳）: 電離圏内に存在する電子密度の不規則性は、グローバルナビゲーション衛星システム(GNSS)の信号において大きな変動を引き起こす。 信号パワーのゆらぎは振幅シンチレーションと呼ばれ、S4インデックスを通して監視することができる。 過去のs4インデックスデータに基づく振幅シンチレーションの深刻度を予測することは、リアルタイムデータが利用できない場合に有益である。 本研究では,単一のgpsシンチレーション監視受信機からの履歴データを用いて機械学習モデル(ml)を訓練し,振幅シンチレーションの重大度(弱・中・重度)を時間的・空間的パラメータに予測する可能性について検討した。 6つの異なるmlモデルが評価され、バッグ入り木モデルが最も正確であり、バランスのとれたデータセットを使用して811\%$、バランスのとれたデータセットを使用して979\%$の予測精度を達成した。

関連論文リスト

• Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
  本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。 我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。 その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• Ionospheric Scintillation Forecasting Using Machine Learning [0.4369058206183195]
  この研究は、振幅シンチレーションの強度を予測できる機械学習(ML)モデルの開発に焦点を当てている。 XGBoostモデルは最も効果的なモデルとして登場し、バランスの取れたデータセットでトレーニングした場合、顕著な77%の予測精度を示した。
  論文  参考訳（メタデータ） (2024-08-28T08:21:01Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Global 4D Ionospheric STEC Prediction based on DeepONet for GNSS Rays [14.934920001287962]
  我々は,DeepONet-STECと呼ばれる高精度STECモデルを提案する。これは非線形演算子を学習し,特定地上局 - 衛星線経路の4次元時空間統合パラメータを予測する。 実演として,電離層および嵐条件下でのグローバルおよびUS-CORS体制の観測データに基づくモデルの性能評価を行った。 DeepONet-STECモデルの結果から,時間分解能30sのPPP(Precise Point Positioning)による観測データを用いて,3日間の静かな期間における72時間予測を高精度に行うことができた。
  論文  参考訳（メタデータ） (2024-03-12T10:51:38Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Ensembling geophysical models with Bayesian Neural Networks [11.972384567130268]
  我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。 BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。 不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
  論文  参考訳（メタデータ） (2020-10-07T18:32:32Z)

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。