論文の概要: AWT -- Clustering Meteorological Time Series Using an Aggregated Wavelet Tree

• arxiv url: http://arxiv.org/abs/2212.06642v1
• Date: Tue, 13 Dec 2022 15:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 15:40:57.908600
• Title: AWT -- Clustering Meteorological Time Series Using an Aggregated Wavelet Tree
• Title（参考訳）: AWT -- 集約ウェーブレットツリーを用いた気象時系列のクラスタリング
• Authors: Christina Pacher, Irene Schicker, Rosmarie deWit, Katerina Hlavackova-Schindler, Claudia Plant
• Abstract要約: AWTは時系列データのためのクラスタリングアルゴリズムであり、クラスタリング中に暗黙のアウトリア検出を行う。 ウィーン市からの1時間分解能でクラウドソース2mの温度データにAWTを適用し,異常値を検出する。 その結果,AWTでは,外乱検出と土地利用特性への暗黙マッピングが可能であることがわかった。
• 参考スコア（独自算出の注目度）: 9.470649284657483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both clustering and outlier detection play an important role for meteorological measurements. We present the AWT algorithm, a clustering algorithm for time series data that also performs implicit outlier detection during the clustering. AWT integrates ideas of several well-known K-Means clustering algorithms. It chooses the number of clusters automatically based on a user-defined threshold parameter, and it can be used for heterogeneous meteorological input data as well as for data sets that exceed the available memory size. We apply AWT to crowd sourced 2-m temperature data with an hourly resolution from the city of Vienna to detect outliers and to investigate if the final clusters show general similarities and similarities with urban land-use characteristics. It is shown that both the outlier detection and the implicit mapping to land-use characteristic is possible with AWT which opens new possible fields of application, specifically in the rapidly evolving field of urban climate and urban weather.
• Abstract（参考訳）: クラスタリングと異常検出は気象観測において重要な役割を果たす。 本稿では,クラスタリング中に暗黙的な外乱検出を行う時系列データに対するクラスタリングアルゴリズムであるAWTアルゴリズムを提案する。 AWTは、よく知られたK-Meansクラスタリングアルゴリズムのアイデアを統合している。 ユーザ定義のしきい値パラメータに基づいてクラスタ数を自動的に選択し、利用可能なメモリサイズを超えるデータセットだけでなく、異種気象入力データにも使用できる。 ウィーン市から1時間毎のクラウドソーシングによる2-m温度データに適用し,異常値の検出と,最終クラスタが都市土地利用特性と一般類似性および類似性を示すかどうかの検証を行った。 都市気候と都市気候の急速な発展にともなう新たな応用分野を開拓するAWTでは, 降水量検出と土地利用特性の暗黙マッピングの両方が可能であることが示されている。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• SOMTimeS: Self Organizing Maps for Time Series Clustering and its Application to Serious Illness Conversations [3.2689702143620147]
  我々はSOMTimeS(TIMEシリーズの自己組織化マップ)と呼ばれるDTWに基づく新しいクラスタリング手法を提案する。 他のDTWベースのクラスタリングアルゴリズムよりも高速で、パフォーマンスも同等です。 我々は,大規模医療コホート研究の一環として収集した自然言語会話データにSOMtimeSを適用した。
  論文  参考訳（メタデータ） (2021-08-26T00:18:25Z)
• Clustering acoustic emission data streams with sequentially appearing clusters using mixture models [6.166295570030645]
  本研究では,未ラベル音響放射(AE)データの特異性を扱うクラスタリング手法を開発した。 GMMSEQと呼ばれるこの手法は、振動を受けるボルト構造における緩み現象を特徴づけるために実験的に検証されている。 オープン・アコースティック・エミッション・イニシアチブを開発する上で,本論文の研究を再現するためのデータセットとコードを作成する。
  論文  参考訳（メタデータ） (2021-08-25T13:01:06Z)
• Clustering of Time Series Data with Prior Geographical Information [0.26651200086513094]
  本研究では,空間的・時間的文脈に基づく時系列データを用いた時空間クラスタリングモデルを提案する。 提案したSpatial-DEC(Spatial-DEC)は,遅延特徴表現の構築に先立つ地理情報を利用する。 その結果,提案した空間DECはより望ましい時間的クラスタを見つけることができることがわかった。
  論文  参考訳（メタデータ） (2021-07-03T00:19:17Z)
• (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping [57.316437798033974]
  本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。 我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。 一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
  論文  参考訳（メタデータ） (2020-12-01T13:17:27Z)
• Autoencoder-based time series clustering with energy applications [0.0]
  時系列クラスタリングは、データの特定の性質のため、難しい作業である。 本稿では,畳み込み型オートエンコーダとk-メノイドアルゴリズムの組み合わせによる時系列クラスタリングについて検討する。
  論文  参考訳（メタデータ） (2020-02-10T10:04:29Z)
• Coarse-Grain Cluster Analysis of Tensors with Application to Climate Biome Identification [0.27998963147546146]
  離散ウェーブレット変換を用いて、粗粒化がクラスタリングテンソルデータに与える影響を分析する。 我々は特に、地球の気候システムのスケール効果のクラスター化について理解することに興味を持っている。
  論文  参考訳（メタデータ） (2020-01-22T00:28:58Z)

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。