Fugu-MT 論文翻訳(概要): Forecast-Aware Model Driven LSTM

論文の概要: Forecast-Aware Model Driven LSTM

arxiv url: http://arxiv.org/abs/2303.12963v1
Date: Thu, 23 Mar 2023 00:03:07 GMT
ステータス: 処理完了
システム内更新日: 2023-03-24 16:09:39.846191
Title: Forecast-Aware Model Driven LSTM
Title（参考訳）: 予測型モデル駆動LSTM
Authors: Sophia Hamer, Jennifer Sleeman, Ivanka Stajner
Abstract要約: 粗悪な空気質は人間の健康に大きな影響を及ぼす可能性がある。モデルバイアスを補正するために使われる伝統的な手法は、線形性や基礎となる分布について仮定する。ディープラーニングは、極端な空気質のイベントが存在する場合に、空気質の予測を約束する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Poor air quality can have a significant impact on human health. The National Oceanic and Atmospheric Administration (NOAA) air quality forecasting guidance is challenged by the increasing presence of extreme air quality events due to extreme weather events such as wild fires and heatwaves. These extreme air quality events further affect human health. Traditional methods used to correct model bias make assumptions about linearity and the underlying distribution. Extreme air quality events tend to occur without a strong signal leading up to the event and this behavior tends to cause existing methods to either under or over compensate for the bias. Deep learning holds promise for air quality forecasting in the presence of extreme air quality events due to its ability to generalize and learn nonlinear problems. However, in the presence of these anomalous air quality events, standard deep network approaches that use a single network for generalizing to future forecasts, may not always provide the best performance even with a full feature-set including geography and meteorology. In this work we describe a method that combines unsupervised learning and a forecast-aware bi-directional LSTM network to perform bias correction for operational air quality forecasting using AirNow station data for ozone and PM2.5 in the continental US. Using an unsupervised clustering method trained on station geographical features such as latitude and longitude, urbanization, and elevation, the learned clusters direct training by partitioning the training data for the LSTM networks. LSTMs are forecast-aware and implemented using a unique way to perform learning forward and backwards in time across forecasting days. When comparing the RMSE of the forecast model to the RMSE of the bias corrected model, the bias corrected model shows significant improvement (27\% lower RMSE for ozone) over the base forecast.
Abstract（参考訳）: 空気の質は人間の健康に大きな影響を及ぼす。海洋大気庁(NOAA)の大気質予報ガイダンスは、野生の火災や熱波などの極端な気象現象により、極端な大気質イベントの存在が増大しているため、課題となっている。これらの極端な空気質の出来事は人間の健康にさらに影響を及ぼす。モデルバイアスを正す伝統的な方法は、線形性と基礎となる分布を仮定する。極端に空気質のイベントは、イベントにつながる強いシグナルがなければ発生しがちであり、この振る舞いは、既存の手法がバイアスを補うか過度に補償する傾向にある。深層学習は、非線形問題を一般化し学習する能力により、極端な空気質イベントの存在下での空気質予測を約束する。しかし、これらの異常な空気質イベントの存在下では、単一のネットワークを用いて将来の予測を一般化する標準的なディープネットワークアプローチは、地理や気象学を含む完全な特徴セットであっても、常に最高の性能を提供するとは限らない。本研究では,非教師なし学習と予測対応双方向LSTMネットワークを組み合わせた,オゾンおよびPM2.5のエアNow局データを用いた運用空気質予測のバイアス補正を行う手法について述べる。緯度・経度・都市化・標高などの局地的特徴を訓練した教師なしクラスタリング手法を用いて,lstmネットワークのトレーニングデータを分割して直接トレーニングを行う。 LSTMは予測に気付き、予測日を通して前後に学習を行うユニークな方法を用いて実装されている。予測モデルのRMSEとバイアス補正モデルのRMSEを比較すると、バイアス補正モデルはベース予測よりも顕著な改善(オゾンに対するRMSEの27\%低下)を示した。

関連論文リスト

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)
WaveCatBoost for Probabilistic Forecasting of Regional Air Quality Data [0.0]
この手紙は、大気汚染物質のリアルタイム濃度を予測するために設計された新しいWaveCatBoostアーキテクチャを提示する。このハイブリッドアプローチは、時系列を高周波および低周波成分に効率よく変換し、ノイズから信号を抽出する。
論文参考訳（メタデータ） (2024-04-08T13:01:25Z)
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)
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)
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)
Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文参考訳（メタデータ） (2023-07-20T04:46:34Z)
Statistical post-processing of visibility ensemble forecasts [0.0]
局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
論文参考訳（メタデータ） (2023-05-24T16:41:36Z)
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)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。