論文の概要: Interpretable Transformer for Water Level Forecasting

• arxiv url: http://arxiv.org/abs/2303.00515v1
• Date: Tue, 28 Feb 2023 04:37:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 14:40:05.637589
• Title: Interpretable Transformer for Water Level Forecasting
• Title（参考訳）: 水位予測のための解釈変換器
• Authors: Sunghcul Hong, Yunjin Choi and Jong-June Jeon
• Abstract要約: 本稿では,変数間の事前知識に基づいて因果関係を利用する新しいトランスフォーマーを提案する。 提案モデルでは,因果構造を多層ネットワークとして形式化し,空間的因果関係と時間的因果関係を考察する。 実データ分析では、2016年から2021年までのハン川データセットを使用し、提案したモデルとディープラーニングモデルを比較します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Forecasting the water level of the Han river is important to control the traffic and avoid natural disasters. There are many variables related to the Han river and they are intricately connected. In this work, we propose a novel transformer that exploits the causal relationship based on the prior knowledge among the variables and forecasts the four bridges of the Han river: Cheongdam, Jamsu, Hangang, and Haengju. Our proposed model considers both spatial and temporal causation by formalizing the causal structure as a multilayer network and using masking methods. Due to this approach, we can have the interpretability that consistent with prior knowledge. Additionally, we propose a novel recalibration method and loss function for high accuracy of extreme risk in time series. In real data analysis, we use the Han river dataset from 2016 to 2021, and compare the proposed model with deep learning models.
• Abstract（参考訳）: ハン川の水位を予測することは交通の制御や自然災害の回避に重要である。 漢川には多くの変数があり、複雑に繋がっている。 本研究は,ハン川に架かる4つの橋であるチョンダム,ジャムス,ハングル,ハエンジュを,変数間の事前の知識に基づいて因果関係を利用して予測するトランスフォーマーを提案する。 提案モデルは,多層ネットワークとして因果構造を定式化し,マスキング法を用いて空間的および時間的因果関係を考察する。 このアプローチにより、事前の知識と一致する解釈可能性を持つことができます。 さらに,時系列における極度リスクの高精度化のための新しい校正手法と損失関数を提案する。 実データ解析では,2016年から2021年までのhan riverデータセットを用いて,提案モデルとディープラーニングモデルを比較した。

関連論文リスト

• Precipitation Nowcasting Using Diffusion Transformer with Causal Attention [3.9468501770612576]
  現在のディープラーニング手法は、条件と予測結果の効果的な依存関係を確立するのに不足している。 因果アテンションモデルを用いた拡散変圧器を用いた降雨キャスティングを提案する。
  論文  参考訳（メタデータ） (2024-10-17T08:10:41Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Deep Vision-Based Framework for Coastal Flood Prediction Under Climate Change Impacts and Shoreline Adaptations [0.3413711585591077]
  低データ環境下での高忠実度ディープビジョンに基づく沿岸洪水予測モデルを訓練するための体系的枠組みを提案する。 また,沿岸の洪水予測問題に特化して,CNNの深部構造を導入している。 開発したDLモデルの性能は、一般に採用されている測地回帰法に対して検証される。
  論文  参考訳（メタデータ） (2024-06-06T19:54:34Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Tracking changes using Kullback-Leibler divergence for the continual learning [2.0305676256390934]
  本稿では,多次元データストリームの確率分布の変化をモニタリングする新しい手法を提案する。 変化の速さの尺度として、人気のあるKulback-Leiblerの発散を分析する。 我々は,この指標を用いて,概念の漂流の発生を予測し,その性質を理解する方法を示す。
  論文  参考訳（メタデータ） (2022-10-10T17:30:41Z)
• Flood Prediction Using Machine Learning Models [0.0]
  本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。 その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
  論文  参考訳（メタデータ） (2022-08-02T03:59:43Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
  降雨予測のための自己注意型拡張畳み込み機構を提案する。 実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。 提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
  論文  参考訳（メタデータ） (2022-01-31T18:16:03Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。