論文の概要: Maximising Weather Forecasting Accuracy through the Utilisation of Graph
Neural Networks and Dynamic GNNs
- arxiv url: http://arxiv.org/abs/2301.12471v1
- Date: Sun, 29 Jan 2023 15:42:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:57:35.489554
- Title: Maximising Weather Forecasting Accuracy through the Utilisation of Graph
Neural Networks and Dynamic GNNs
- Title(参考訳): グラフニューラルネットワークと動的GNNの利用による天気予報精度の最大化
- Authors: Gaganpreet Singh, Surya Durbha, Shreelakshmi C R
- Abstract要約: グラフニューラルネットワーク(GNN)に基づく天気予報モデルを用いて気象データを解析する。
GNNはグラフ学習に基づくモデルであり、多くの機械学習アプローチにおいて強力な経験的性能を示す。
- 参考スコア(独自算出の注目度): 1.6651146574124562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weather forecasting is an essential task to tackle global climate change.
Weather forecasting requires the analysis of multivariate data generated by
heterogeneous meteorological sensors. These sensors comprise of ground-based
sensors, radiosonde, and sensors mounted on satellites, etc., To analyze the
data generated by these sensors we use Graph Neural Networks (GNNs) based
weather forecasting model. GNNs are graph learning-based models which show
strong empirical performance in many machine learning approaches. In this
research, we investigate the performance of weather forecasting using GNNs and
traditional Machine learning-based models.
- Abstract(参考訳): 気候変動に取り組むためには、天気予報が不可欠である。
気象予報には、異種気象センサが生成する多変量データの解析が必要である。
これらのセンサは、衛星に搭載された地上センサ、ラジオゾンデ、センサーから構成されており、これらのセンサによって生成されたデータを解析するために、グラフニューラルネットワーク(GNN)ベースの天気予報モデルを用いる。
gnnはグラフ学習に基づくモデルであり、多くの機械学習アプローチで強い経験的パフォーマンスを示す。
本研究では,GNNと従来の機械学習モデルを用いた天気予報の性能について検討する。
関連論文リスト
- GA-SmaAt-GNet: Generative Adversarial Small Attention GNet for Extreme
Precipitation Nowcasting [1.9399172852087767]
本稿では,極端降水量予測のためのディープラーニングモデルのための新しい生成逆アーキテクチャであるGA-SmaAt-GNetを提案する。
このネットワークは降水マスク(二値化降水マップ)を付加的なデータソースとして組み込んで、貴重な情報を活用して予測を改善する。
我々は,提案したGA-SmaAt-GNetモデルと降水データセットについて不確実性解析を行い,モデルの予測能力についてさらなる知見を提供する。
論文 参考訳(メタデータ) (2024-01-18T10:53:45Z) - A Survey on Graph Neural Networks for Time Series: Forecasting,
Classification, Imputation, and Anomaly Detection [70.06795936398636]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。
グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。
この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文 参考訳(メタデータ) (2023-07-07T08:05:03Z) - 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) - Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。
本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文 参考訳(メタデータ) (2023-05-01T00:58:48Z) - 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) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。
本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。
解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文 参考訳(メタデータ) (2022-10-28T16:59:51Z) - Forecasting Global Weather with Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワークを用いた気象予報のためのデータ駆動型手法を提案する。
システムは現在の3D大気状態を6時間前に進めることを学び、複数のステップをチェーンして、数日後の未来に進む巧妙な予測を生成する。
論文 参考訳(メタデータ) (2022-02-15T17:02:07Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Towards a Taxonomy of Graph Learning Datasets [10.151886932716518]
グラフニューラルネットワーク(GNN)は、基礎となるデータの固有のジオメトリを活用する能力によって、多くの注目を集めている。
本稿では,グラフ摂動の集合を慎重に設計することで,グラフベンチマークデータセットを分類する手法を提案する。
データ駆動によるグラフデータセットの分類は、重要なデータセット特性の新たな理解を提供する。
論文 参考訳(メタデータ) (2021-10-27T23:08:01Z) - AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for
Short-term Urban Sensor Value Forecasting [14.797761571844893]
センサの時系列値は、大気汚染警報、自転車資源管理、インテリジェント交通システムなどの都市用途において重要である。
最近の進歩は、センサー間の空間的および時間的依存関係をよりよく学習するためにグラフニューラルネットワーク(GNN)を利用している。
論文 参考訳(メタデータ) (2021-01-29T08:31:38Z)
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。