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
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - Air Quality Forecasting Using Machine Learning: A Global perspective
with Relevance to Low-Resource Settings [0.0]
大気汚染は世界第4位の死因である。
本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-09T05:52:02Z) - 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 Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - FuXi: A cascade machine learning forecasting system for 15-day global
weather forecast [34.812266901884996]
FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。
FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
論文 参考訳(メタデータ) (2023-06-22T13:34:26Z) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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。