論文の概要: Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk

• arxiv url: http://arxiv.org/abs/2208.07590v4
• Date: Tue, 12 Nov 2024 23:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:21:53.936821
• Title: Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk
• Title（参考訳）: 極端量子回帰のためのニューラルネットワークと洪水リスク予測への応用
• Authors: Olivier C. Pasche, Sebastian Engelke,
• Abstract要約: 本稿では,ニューラルネットワークと極値理論を組み合わせたEQRNモデルを提案する。 本研究では,スイス・アーレ流域の洪水リスク予測に本手法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Risk assessment for extreme events requires accurate estimation of high quantiles that go beyond the range of historical observations. When the risk depends on the values of observed predictors, regression techniques are used to interpolate in the predictor space. We propose the EQRN model that combines tools from neural networks and extreme value theory into a method capable of extrapolation in the presence of complex predictor dependence. Neural networks can naturally incorporate additional structure in the data. We develop a recurrent version of EQRN that is able to capture complex sequential dependence in time series. We apply this method to forecast flood risk in the Swiss Aare catchment. It exploits information from multiple covariates in space and time to provide one-day-ahead predictions of return levels and exceedance probabilities. This output complements the static return level from a traditional extreme value analysis, and the predictions are able to adapt to distributional shifts as experienced in a changing climate. Our model can help authorities to manage flooding more effectively and to minimize their disastrous impacts through early warning systems.
• Abstract（参考訳）: 極端な事象に対するリスクアセスメントには、歴史的観測範囲を超えた高量子量の正確な推定が必要である。 リスクが観測された予測器の値に依存する場合、回帰手法は予測器空間内での補間に使用される。 本稿では,ニューラルネットワークと極値理論のツールを複合したEQRNモデルを提案する。 ニューラルネットワークは自然にデータに付加的な構造を組み込むことができる。 時系列の複雑なシーケンシャル依存を捉えることができるEQRNの繰り返しバージョンを開発する。 本研究では,スイス・アーレ流域の洪水リスク予測に本手法を適用した。 空間と時間における複数の共変量からの情報を利用して、リターンレベルと超越確率の1日の予測を提供する。 この出力は、従来の極端値分析から得られる静的リターンレベルを補完し、予測は変化する気候で経験した分布シフトに適応することができる。 我々のモデルは、当局が洪水をより効果的に管理し、早期警戒システムを通じてその破壊的な影響を最小限に抑えるのに役立つ。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Semi-Supervised Deep Sobolev Regression: Estimation, Variable Selection and Beyond [3.782392436834913]
  本研究では,半教師付き深部ソボレフ回帰器であるSDOREを提案し,基礎となる回帰関数とその勾配を非パラメトリックに推定する。 我々は、SDOREの収束率を総合的に分析し、回帰関数の最小値の最適値を確立する。 また、重要なドメインシフトが存在する場合でも、関連するプラグイン勾配推定器の収束率を導出する。
  論文  参考訳（メタデータ） (2024-01-09T13:10:30Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Learning Inter-Annual Flood Loss Risk Models From Historical Flood Insurance Claims and Extreme Rainfall Data [0.0]
  洪水は最も壊滅的な自然災害の1つであり、実質的な経済的損失の原因となっている。 本研究は,国立洪水保険プログラムデータセット上に構築されたレジストレーターの予測能力を評価する。
  論文  参考訳（メタデータ） (2022-12-15T19:23:02Z)
• Regression modelling of spatiotemporal extreme U.S. wildfires via partially-interpretable neural networks [0.0]
  人工ニュートラルネットワークを用いた極端量子レグレッションを実現するための新しい手法フレームワークを提案する。 我々は、線形で付加的な回帰手法をディープラーニングと統合し、部分的に解釈可能なニューラルネットワークを作成する。
  論文  参考訳（メタデータ） (2022-08-16T07:42:53Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  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。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• 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。