論文の概要: Regional Precipitation Nowcasting Based on CycleGAN Extension

• arxiv url: http://arxiv.org/abs/2211.15046v1
• Date: Mon, 28 Nov 2022 04:08:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 14:55:43.491148
• Title: Regional Precipitation Nowcasting Based on CycleGAN Extension
• Title（参考訳）: CycleGAN拡張による地域降雨予報
• Authors: Jaeho Choi, Yura Kim, Kwang-Ho Kim, Sung-Hwa Jung, Ikhyun Cho
• Abstract要約: 2022年8月8日、大雨が韓国中部を襲った。 多くの低地が水没し、交通と生活はひどく麻痺した。 この出来事は、より信頼性の高い地域降水量計の必要性を思い出させる。
• 参考スコア（独自算出の注目度）: 1.0569608588198671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unusually, intensive heavy rain hit the central region of Korea on August 8, 2022. Many low-lying areas were submerged, so traffic and life were severely paralyzed. It was the critical damage caused by torrential rain for just a few hours. This event reminded us of the need for a more reliable regional precipitation nowcasting method. In this paper, we bring cycle-consistent adversarial networks (CycleGAN) into the time-series domain and extend it to propose a reliable model for regional precipitation nowcasting. The proposed model generates composite hybrid surface rainfall (HSR) data after 10 minutes from the present time. Also, the proposed model provides a reliable prediction of up to 2 hours with a gradual extension of the training time steps. Unlike the existing complex nowcasting methods, the proposed model does not use recurrent neural networks (RNNs) and secures temporal causality via sequential training in the cycle. Our precipitation nowcasting method outperforms convolutional long short-term memory (ConvLSTM) based on RNNs. Additionally, we demonstrate the superiority of our approach by qualitative and quantitative comparisons against MAPLE, the McGill algorithm for precipitation nowcasting by lagrangian extrapolation, one of the real quantitative precipitation forecast (QPF) models.
• Abstract（参考訳）: 通常、集中豪雨は2022年8月8日に韓国中部を襲った。 多くの低地が水没し、交通と生活はひどく麻痺した。 わずか数時間の暴風雨による致命的な被害であった。 この出来事は、より信頼性の高い地域降水ノキャスティング方法の必要性を思い出させた。 本稿では,サイクル一貫性のある対向ネットワーク (CycleGAN) を時系列領域に導入し,それを拡張し,地域降水流の信頼性モデルを提案する。 提案モデルは,現在から10分後に複合複合表面降雨(HSR)データを生成する。 また,提案モデルでは,トレーニング時間段階の段階的拡張により,最大2時間の信頼性予測を行う。 既存の複雑な放送方法とは異なり、提案モデルはリカレントニューラルネットワーク(RNN)を使用しず、サイクルのシーケンシャルトレーニングを通じて時間的因果性を確保する。 RNNに基づく畳み込み長短期記憶(ConvLSTM)よりも優れた降水量推定法を提案する。 さらに,実際の量的降水予測(QPF)モデルの一つであるラグランジアン外挿法による降水流のマギルアルゴリズムであるMAPLEに対する質的,定量的比較によるアプローチの優位性を示した。

関連論文リスト

• A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
  本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。 実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-06T06:42:53Z)
• Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection [0.0]
  本研究では,エネルギー時系列データにおける逐次異常検出にDCGAN (Deep Convolutional Generative Adversarial Network) を用いる。 異常検出は、エネルギーサブシーケンスを再構成するために勾配降下を伴い、ジェネレータネットワークを介してそれらを生成するノイズベクトルを同定する。
  論文  参考訳（メタデータ） (2024-02-22T08:54:57Z)
• Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data [0.0]
  この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。 このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。 その結果,降水運動の方向と強度の予測には高い精度が得られた。
  論文  参考訳（メタデータ） (2023-12-02T18:13:45Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• 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)
• Switching in the Rain: Predictive Wireless x-haul Network Reconfiguration [17.891837432766764]
  無線x-haulネットワークは、超高速データレートと超低レイテンシをサポートするために、4Gおよび/または5Gベースステーション間のマイクロ波およびミリ波リンクに依存している。 降水は信号の減衰を引き起こし、ネットワーク性能を著しく低下させる。 本研究では,履歴データを用いた予測ネットワーク再構成フレームワークを開発し,各リンクの将来の状態を予測し,瞬時障害に備えてネットワークを前もって準備する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:38Z)
• 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)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。