論文の概要: Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted
Neural Networks
- arxiv url: http://arxiv.org/abs/2209.12571v1
- Date: Mon, 26 Sep 2022 10:38:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:39:41.886268
- Title: Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted
Neural Networks
- Title(参考訳): 多階層ブーストニューラルネットワークを用いたマルチ時間ヘッドドスト指数予測
- Authors: A. Hu, E. Camporeale, B. Swiger
- Abstract要約: 外乱嵐時(Dst)指数は、リング電流強度のプロキシとして広く使用されている。
1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Disturbance storm time (Dst) index has been widely used as a proxy for
the ring current intensity, and therefore as a measure of geomagnetic activity.
It is derived by measurements from four ground magnetometers in the geomagnetic
equatorial regions.
We present a new model for predicting $Dst$ with a lead time between 1 and 6
hours. The model is first developed using a Gated Recurrent Unit (GRU) network
that is trained using solar wind parameters. The uncertainty of the $Dst$ model
is then estimated by using the ACCRUE method [Camporeale et al. 2021]. Finally,
a multi-fidelity boosting method is developed in order to enhance the accuracy
of the model and reduce its associated uncertainty. It is shown that the
developed model can predict $Dst$ 6 hours ahead with a root-mean-square-error
(RMSE) of 13.54 $\mathrm{nT}$. This is significantly better than the
persistence model and a simple GRU model.
- Abstract(参考訳): 外乱嵐時間(dst)指数は、リング電流強度の指標として広く用いられており、それゆえ地磁気活動の指標となっている。
地磁気赤道領域の4つの地磁気センサの測定から導かれる。
1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
このモデルは、太陽風パラメータを用いて訓練されたGRU(Gated Recurrent Unit)ネットワークを用いて最初に開発された。
次に、ACCRUE法[Camporeale et al. 2021]を用いて、$Dst$モデルの不確実性を推定する。
最後に,モデルの精度を高め,それに伴う不確実性を低減するため,多相強化法を開発した。
開発されたモデルは、13.54$\mathrm{nT}$のルート平均二乗誤差(RMSE)を6時間前に予測できる。
これは永続化モデルと単純なGRUモデルよりもはるかに優れている。
関連論文リスト
- A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳(メタデータ) (2024-02-08T16:45:01Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Prediction of solar wind speed by applying convolutional neural network
to potential field source surface (PFSS) magnetograms [2.124527370393348]
このモデルは、平均相関係数0.52、根平均二乗誤差80.8km/sの連続試験データセットの予測を提供する。
このモデルはまた、太陽風の高速な流れを予測できる可能性があり、これは一般的な脅威スコア0.39で定量化することができる。
論文 参考訳(メタデータ) (2023-04-03T06:54:22Z) - Earthquake Magnitude and b value prediction model using Extreme Learning
Machine [2.8935588665357077]
パラメトリック特徴および非パラメトリック特徴を計算し、非パラメトリック特徴をパラメトリック特徴を用いて算出した。
グテンベルク・リヒター法則、全再帰法、地震エネルギー放出法を用いて、9ドルの地震特性を計算した。
このモデルは堅牢であることが証明され、早期警告システムで実装できる。
論文 参考訳(メタデータ) (2023-01-23T23:27:22Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳(メタデータ) (2022-11-17T13:01:26Z) - 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) - Data-Based Models for Hurricane Evolution Prediction: A Deep Learning
Approach [0.0]
ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。
モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
論文 参考訳(メタデータ) (2021-10-30T00:31:48Z) - Nowcasting-Nets: Deep Neural Network Structures for Precipitation
Nowcasting Using IMERG [1.9860735109145415]
リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。
GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。
また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
論文 参考訳(メタデータ) (2021-08-16T02:55:32Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z)
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。