論文の概要: An operational framework to automatically evaluate the quality of
weather observations from third-party stations
- arxiv url: http://arxiv.org/abs/2212.01998v1
- Date: Mon, 5 Dec 2022 03:14:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 18:44:16.650097
- Title: An operational framework to automatically evaluate the quality of
weather observations from third-party stations
- Title(参考訳): 第三者局からの気象観測の質を自動評価するための運用枠組み
- Authors: Quanxi Shao, Ming Li, Joel Janek Dabrowski, Shuvo Bakar, Ashfaqur
Rahman, Andrea Powell and Brent Henderson
- Abstract要約: 本稿では,AI/Stats/MLモデルに基づく,シンプルでスケーラブルで解釈可能なフレームワークを提案する。
このフレームワークは、個々のデータを公式ソースから分離したモデルを構築し、個々のモデルを融合させることで最終的な評価を提供する。
提案するフレームワークの性能は, 合成データを用いて評価し, TPAWSネットワークに応用して実証した。
- 参考スコア(独自算出の注目度): 5.9098122164420985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With increasing number of crowdsourced private automatic weather stations
(called TPAWS) established to fill the gap of official network and obtain local
weather information for various purposes, the data quality is a major concern
in promoting their usage. Proper quality control and assessment are necessary
to reach mutual agreement on the TPAWS observations. To derive near real-time
assessment for operational system, we propose a simple, scalable and
interpretable framework based on AI/Stats/ML models. The framework constructs
separate models for individual data from official sources and then provides the
final assessment by fusing the individual models. The performance of our
proposed framework is evaluated by synthetic data and demonstrated by applying
it to a re-al TPAWS network.
- Abstract(参考訳): 官報ネットワークのギャップを埋め、各地の気象情報を取得するため、クラウドソーシングによる民間自動気象観測所(tpaws)の設置が増えているため、その利用促進にはデータ品質が大きな関心事となっている。
TPAWS観測において相互に合意に達するためには,適切な品質管理と評価が必要である。
そこで我々は,AI/Stats/MLモデルに基づくシンプルな,スケーラブルで解釈可能なフレームワークを提案する。
このフレームワークは、個々のデータを公式ソースから分離したモデルを構築し、個々のモデルを融合して最終的な評価を提供する。
提案するフレームワークの性能は, 合成データを用いて評価し, TPAWSネットワークに応用して実証した。
関連論文リスト
- JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - On the Evaluation and Refinement of Vision-Language Instruction Tuning
Datasets [71.54954966652286]
VLIT(Vision-Language Instruction-Tuning)データセットの評価を試みる。
各データセットから高いSQのサンプルを収集し,新しいデータセットREVO-LIONを構築した。
注目すべきは、完全なデータの半分でなくても、REVO-LIONでトレーニングされたモデルは、単にすべてのVLITデータセットを追加するのに匹敵するパフォーマンスを達成することができることだ。
論文 参考訳(メタデータ) (2023-10-10T13:01:38Z) - How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワーク
ベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。
本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
論文 参考訳(メタデータ) (2023-06-01T04:52:26Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Quantifying Quality of Class-Conditional Generative Models in
Time-Series Domain [4.219228636765818]
Inception Time Score(ITS)とFrechet Inception Time Distance(FITD)を導入し、時系列領域におけるクラス条件生成モデルの質的性能を評価する。
提案した指標の識別能力を調べるため,80種類のデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2022-10-14T08:13:20Z) - LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for
Forecasting, with an Application to Electricity Smart Meter Data [3.0839245814393728]
我々は,大域的なモデル予測を説明するために,局所解釈可能なモデルに依存しないルールベース予測(LIMREF)を提案する。
本稿では,LIMREFフレームワークによる説明の質を質的・定量的に評価する。
論文 参考訳(メタデータ) (2022-02-15T22:35:11Z) - A Personalized Federated Learning Algorithm: an Application in Anomaly
Detection [0.6700873164609007]
フェデレートラーニング(FL)は、データプライバシと送信問題を克服する有望な方法として最近登場した。
FLでは、異なるデバイスやセンサーから収集されたデータセットを使用して、各学習を集中型モデル(サーバ)と共有するローカルモデル(クライアント)をトレーニングする。
本稿では,PC-FedAvg(Personalized FedAvg, PC-FedAvg)を提案する。
論文 参考訳(メタデータ) (2021-11-04T04:57:11Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
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。