Fugu-MT 論文翻訳(概要): Incorporating High-Frequency Weather Data into Consumption Expenditure Predictions

論文の概要: Incorporating High-Frequency Weather Data into Consumption Expenditure Predictions

arxiv url: http://arxiv.org/abs/2211.01406v1
Date: Thu, 6 Oct 2022 15:32:11 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 15:18:14.547517
Title: Incorporating High-Frequency Weather Data into Consumption Expenditure Predictions
Title（参考訳）: 消費支出予測への高周波気象データの導入
Authors: Anders Christensen, Joel Ferguson, Sim\'on Ram\'irez Amaya
Abstract要約: 消費支出などの不揮発性福祉対策の予測は, 時間分解能の高いデータソースの導入による大きな利益が期待できる。日々の天気データをトレーニングや予測に取り入れることで、衛星画像のみを利用するモデルと比較して消費予測精度を著しく向上させる。
参考スコア（独自算出の注目度）: 1.2891210250935146
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent efforts have been very successful in accurately mapping welfare in datasparse regions of the world using satellite imagery and other non-traditional data sources. However, the literature to date has focused on predicting a particular class of welfare measures, asset indices, which are relatively insensitive to short term fluctuations in well-being. We suggest that predicting more volatile welfare measures, such as consumption expenditure, substantially benefits from the incorporation of data sources with high temporal resolution. By incorporating daily weather data into training and prediction, we improve consumption prediction accuracy significantly compared to models that only utilize satellite imagery.
Abstract（参考訳）: 近年、衛星画像や他の非伝統的なデータソースを用いて、世界のデータ不足地域における福祉の正確なマッピングに成功している。しかし、これまでの文献では、短期的な幸福の変動に比較的敏感な特定の福祉措置、資産指数の予測に焦点が当てられている。消費支出などの揮発性福祉対策の予測は, 時間分解能の高いデータソースの導入による大きなメリットがあると考えられる。日々の天気データをトレーニングや予測に取り入れることで、衛星画像のみを利用するモデルと比較して消費予測精度を著しく向上させる。

関連論文リスト

HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting [12.561873438789242]
本研究では,高解像度の極端気象事例を包含した包括的データセットを提案する。 HR-Extreme上での最先端ディープラーニングモデルと数値気象予測システム(NWP)の評価を行った。
論文参考訳（メタデータ） (2024-09-27T16:20:51Z)
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文参考訳（メタデータ） (2024-07-02T20:14:32Z)
Data Assimilation with Machine Learning Surrogate Models: A Case Study with FourCastNet [10.773673764125439]
本稿では,部分的・雑音的な観測を補足した機械学習サロゲートを用いたオンライン天気予報について検討する。我々は、サロゲートの長期間の不安定さにもかかわらず、フィルタリング推定が長期間の地平線で正確であることを実証的に証明し、理論的に正当化する。
論文参考訳（メタデータ） (2024-05-21T20:06:12Z)
Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文参考訳（メタデータ） (2024-03-20T10:07:51Z)
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文参考訳（メタデータ） (2024-02-23T06:09:45Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
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)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Using maps to predict economic activity [0.8460698440162889]
経済統計を体系的に予測するために,歴史地図と現代地図を活用する新しい機械学習手法を導入する。我々の単純なアルゴリズムは, 色組成に基づいて, 地図から有意義な特徴を抽出する。本手法によるグリッドレベルの個体群予測は,従来のCNNによる生の地図画像による予測よりも優れていた。
論文参考訳（メタデータ） (2021-12-27T14:13:20Z)

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。