論文の概要: Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion

• arxiv url: http://arxiv.org/abs/2304.09994v1
• Date: Wed, 19 Apr 2023 22:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 14:56:38.967084
• Title: Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion
• Title（参考訳）: LSTM-DeepLabv3+による都市洪水予測の改善と時空間的特徴融合によるベイズ最適化
• Authors: Zuxiang Situ, Qi Wang, Shuai Teng, Wanen Feng, Gongfa Chen, Qianqian Zhou, Guangtao Fu
• Abstract要約: 本研究では,都市洪水予測のためのCNN-RNNハイブリッド機能融合モデリング手法を提案する。 空間的特徴の処理におけるCNNの長所と、時系列の異なる次元の分析におけるRNNの長所を統合した。
• 参考スコア（独自算出の注目度）: 7.790241122137617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have become increasingly popular for flood prediction due to their superior accuracy and efficiency compared to traditional methods. However, current machine learning methods often rely on separate spatial or temporal feature analysis and have limitations on the types, number, and dimensions of input data. This study presented a CNN-RNN hybrid feature fusion modelling approach for urban flood prediction, which integrated the strengths of CNNs in processing spatial features and RNNs in analyzing different dimensions of time sequences. This approach allowed for both static and dynamic flood predictions. Bayesian optimization was applied to identify the seven most influential flood-driven factors and determine the best combination strategy. By combining four CNNs (FCN, UNet, SegNet, DeepLabv3+) and three RNNs (LSTM, BiLSTM, GRU), the optimal hybrid model was identified as LSTM-DeepLabv3+. This model achieved the highest prediction accuracy (MAE, RMSE, NSE, and KGE were 0.007, 0.025, 0.973 and 0.755, respectively) under various rainfall input conditions. Additionally, the processing speed was significantly improved, with an inference time of 1.158s (approximately 1/125 of the traditional computation time) compared to the physically-based models.
• Abstract（参考訳）: ディープラーニングモデルは,従来の手法よりも精度と効率が優れているため,洪水予測に人気が高まっている。 しかし、現在の機械学習手法は、しばしば異なる空間的・時間的特徴分析に依存し、入力データのタイプ、数、次元に制限がある。 本研究では,CNNの空間的特徴の処理における強度と,時系列の異なる次元の解析におけるRNNの強度を統合した,都市洪水予測のためのCNN-RNNハイブリッド機能融合モデリング手法を提案する。 このアプローチは静的および動的洪水予測の両方を可能にした。 ベイズ最適化は7つの最も影響力のある洪水要因を特定し、最良の組み合わせ戦略を決定するために適用された。 4つのCNN(FCN, UNet, SegNet, DeepLabv3+)と3つのRNN(LSTM, BiLSTM, GRU)を組み合わせることで、最適なハイブリッドモデルをLSTM-DeepLabv3+と同定した。 このモデルは降雨入力条件下での予測精度が最も高かった(MAE, RMSE, NSE, KGEはそれぞれ0.007, 0.025, 0.973, 0.755)。 さらに、物理モデルと比較して1.158秒(従来の計算時間の約1/125)の推論時間で処理速度が大幅に向上した。

関連論文リスト

• CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation [0.0]
  RUL推定のための畳み込みニューラルネットワークとLong Short-Term Memory(LSTM)ネットワークを組み合わせたハイブリッドアプローチを提案する。 以上の結果から,CNN-LSTMハイブリッドモデルが最も精度が高く,他の手法よりも優れたスコアが得られた。
  論文  参考訳（メタデータ） (2024-12-20T15:48:57Z)
• Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
  我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。 本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
  論文  参考訳（メタデータ） (2024-04-25T12:04:36Z)
• 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)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management [0.0]
  畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。 この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
  論文  参考訳（メタデータ） (2022-03-14T22:11:17Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Fast and accurate learned multiresolution dynamical downscaling for precipitation [0.9786690381850356]
  低解像度と高分解能のシミュレーションを組み合わせることで、ニューラルネットワークをトレーニングし、前者から後者にマップします。 各CNNタイプは、平均二乗誤差(MSE)などの従来の損失関数と条件付き生成逆転ネットワーク(CGAN)の両方で訓練します。 CNNに基づく4つの新しい高分解能降水結果と、元の高分解能シミュレーション、双線形補間および最先端CNNに基づく超分解能(SR)技術から生じる降水量を比較した。
  論文  参考訳（メタデータ） (2021-01-18T00:25:04Z)
• A deep convolutional neural network model for rapid prediction of fluvial flood inundation [0.0]
  深部畳み込み型ニューラルネットワーク (CNN) を用いて, フラビアル・フラッド・インダクションの迅速予測を行う。 CNNモデルは2次元油圧モデル(LISFLOOD-FP)からの出力を用いて、水深を予測する。 CNNモデルは、いくつかの定量的評価行列によって示されるように、浸水した細胞を捕捉するのに非常に正確である。
  論文  参考訳（メタデータ） (2020-06-20T11:37:54Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。