Fugu-MT 論文翻訳(概要): A comparative study of statistical and machine learning models on near-real-time daily emissions prediction

論文の概要: A comparative study of statistical and machine learning models on near-real-time daily emissions prediction

arxiv url: http://arxiv.org/abs/2302.01152v1
Date: Thu, 2 Feb 2023 15:14:27 GMT
ステータス: 処理完了
システム内更新日: 2023-02-03 13:34:51.646668
Title: A comparative study of statistical and machine learning models on near-real-time daily emissions prediction
Title（参考訳）: リアルタイム日次排出予測における統計モデルと機械学習モデルの比較研究
Authors: Xiangqian Li
Abstract要約: 二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The rapid ascent in carbon dioxide emissions is a major cause of global warming and climate change, which pose a huge threat to human survival and impose far-reaching influence on the global ecosystem. Therefore, it is very necessary to effectively control carbon dioxide emissions by accurately predicting and analyzing the change trend timely, so as to provide a reference for carbon dioxide emissions mitigation measures. This paper is aiming to select a suitable model to predict the near-real-time daily emissions based on univariate daily time-series data from January 1st, 2020 to September 30st, 2022 of all sectors (Power, Industry, Ground Transport, Residential, Domestic Aviation, International Aviation) in China. We proposed six prediction models, which including three statistical models: Grey prediction (GM(1,1)), autoregressive integrated moving average (ARIMA) and seasonal autoregressive integrated moving average with exogenous factors (SARIMAX); three machine learning models: artificial neural network (ANN), random forest (RF) and long short term memory (LSTM). To evaluate the performance of these models, five criteria: Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) and Coefficient of Determination () are imported and discussed in detail. In the results, three machine learning models perform better than that three statistical models, in which LSTM model performs the best on five criteria values for daily emissions prediction with the 3.5179e-04 MSE value, 0.0187 RMSE value, 0.0140 MAE value, 14.8291% MAPE value and 0.9844 value.
Abstract（参考訳）: 二酸化炭素排出量の急激な上昇は地球温暖化と気候変動の主要な原因であり、人類の生存に大きな脅威となり、地球生態系に広範な影響を及ぼしている。そのため, 変化傾向を経時的に正確に予測し, 分析することにより, 二酸化炭素排出量削減対策の参考として, 二酸化炭素排出量を効果的に制御する必要がある。本稿は,2020年1月1日から2022年9月30日までの日次単変量データ(電力,産業,地上輸送,住宅,国内航空,国際航空)に基づいて,ほぼリアルタイムの日次排出予測に適したモデルを選択することを目的とする。本研究では,grey prediction (gm(1,1)), autoregressive integrated moving average (arima), seasonal autoregressive integrated moving average with exogenous factors (sarimax), 3つの機械学習モデル (artificial neural network (ann), random forest (rf), long short term memory (lstm)) を含む6つの予測モデルを提案した。これらのモデルの性能を評価するために、平均二乗誤差(mse)、根平均二乗誤差(rmse)、平均絶対誤差(mae)、平均絶対パーセンテージ誤差(mape)、決定係数()の5つの基準を輸入し、詳細に議論する。その結果、3つの機械学習モデルは3つの統計モデルよりも優れており、LSTMモデルは3.5179e-04 MSE値、0.0187 RMSE値、0.0140 MAE値、14.8291% MAPE値、0.9844値で、日次排出予測の5つの基準値で最良となる。

関連論文リスト

CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文参考訳（メタデータ） (2024-11-10T02:40:06Z)
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale [10.16915256748265]
この作業では、JULES-INFERNOモデルをシュロゲートするDeep Learning技術に基づいて、2つのデータ駆動モデルを構築している。より正確には、これらの機械学習モデルは、地球温度、植生密度、土壌水分、およびそれ以前の予測を入力として、その後の地球域の燃焼を予測する。 JULES-INFERNOの出力と比較して、AEPが0.3%以下、SSIMが98%以上である場合)と予測精度の両面で、提案モデルの性能は高い。
論文参考訳（メタデータ） (2024-08-30T20:05:00Z)
Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models [0.0]
本研究は,支援ベクトル回帰(SVR)を用いた時間PM2.5濃度の予測に焦点を当てた。予測精度を高めるために,メタヒューリスティックアルゴリズム,Grey Wolf Optimization (GWO) および Particle Swarm Optimization (PSO) を用いる。その結果、PSO-SVR(R2: 0.9401, RMSE: 0.2390, MAE: 0.1368)とGWO-SVR(R2: 0.9408, RMSE: 0.2376, MAE: 0.1373)の大幅な改善が見られた。
論文参考訳（メタデータ） (2024-07-01T05:24:19Z)
EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
論文参考訳（メタデータ） (2024-05-09T16:42:13Z)
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)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Dealing with zero-inflated data: achieving SOTA with a two-fold machine learning approach [0.18846515534317262]
本稿では,ゼロインフレーションデータに適用した階層モデルを用いて,実世界の2つのユースケース(ホームアプライアンス分類と空港シャトル需要予測)について述べる。提案手法は, 比較したSOTA手法の4倍のエネルギー効率が期待できる。
論文参考訳（メタデータ） (2023-10-12T07:26:41Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文参考訳（メタデータ） (2023-07-01T15:18:00Z)
Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil [3.0711362702464675]
新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
論文参考訳（メタデータ） (2020-07-21T17:58:58Z)

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。