論文の概要: TempEE: Temporal-Spatial Parallel Transformer for Radar Echo
Extrapolation Beyond Auto-Regression
- arxiv url: http://arxiv.org/abs/2304.14131v2
- Date: Thu, 14 Sep 2023 04:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 18:59:12.060195
- Title: TempEE: Temporal-Spatial Parallel Transformer for Radar Echo
Extrapolation Beyond Auto-Regression
- Title(参考訳): tempee: 自己回帰を超えたレーダーエコー推定のための時空間並列トランス
- Authors: Shengchao Chen, Ting Shu, Huan Zhao, Guo Zhong and Xunlai Chen
- Abstract要約: 本稿では,TempEEと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。
自動回帰の使用を回避し、累積誤差の拡散を防ぐために1ステップの前進戦略を採用する。
広範囲な実験により、TempEE内の様々な成分の有効性と不必要性が検証された。
- 参考スコア(独自算出の注目度): 18.456518902538814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Meteorological radar reflectivity data (i.e. radar echo) significantly
influences precipitation prediction. It can facilitate accurate and expeditious
forecasting of short-term heavy rainfall bypassing the need for complex
Numerical Weather Prediction (NWP) models. In comparison to conventional
models, Deep Learning (DL)-based radar echo extrapolation algorithms exhibit
higher effectiveness and efficiency. Nevertheless, the development of reliable
and generalized echo extrapolation algorithm is impeded by three primary
challenges: cumulative error spreading, imprecise representation of sparsely
distributed echoes, and inaccurate description of non-stationary motion
processes. To tackle these challenges, this paper proposes a novel radar echo
extrapolation algorithm called Temporal-Spatial Parallel Transformer, referred
to as TempEE. TempEE avoids using auto-regression and instead employs a
one-step forward strategy to prevent cumulative error spreading during the
extrapolation process. Additionally, we propose the incorporation of a
Multi-level Temporal-Spatial Attention mechanism to improve the algorithm's
capability of capturing both global and local information while emphasizing
task-related regions, including sparse echo representations, in an efficient
manner. Furthermore, the algorithm extracts spatio-temporal representations
from continuous echo images using a parallel encoder to model the
non-stationary motion process for echo extrapolation. The superiority of our
TempEE has been demonstrated in the context of the classic radar echo
extrapolation task, utilizing a real-world dataset. Extensive experiments have
further validated the efficacy and indispensability of various components
within TempEE.
- Abstract(参考訳): 気象レーダー反射率データ(レーダーエコー)は降水予測に大きな影響を及ぼす。
複雑な数値気象予測(NWP)モデルの必要性を回避して、短期豪雨の正確かつ迅速な予測を容易にする。
従来のモデルと比較して、Deep Learning (DL)ベースのレーダエコー外挿アルゴリズムは、高い効率と効率を示す。
それでも、信頼性と一般化されたエコー外挿アルゴリズムの開発は、累積誤差拡散、スパース分布エコーの不正確表現、非定常運動過程の不正確な記述の3つの主要な課題によって妨げられている。
このような課題に対処するために,TempEEと呼ばれるテンポラル空間並列トランスと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。
TempEEは自動回帰(auto-regression)の使用を回避し、外挿プロセス中に累積誤差が拡散するのを防ぐために1ステップの前進戦略を採用する。
さらに,スパースエコー表現を含むタスク関連領域を効率よく強調しながら,グローバル情報とローカル情報の両方を捕捉するアルゴリズムの能力を向上させるため,マルチレベル時間空間アテンション機構の導入を提案する。
さらに、並列エンコーダを用いて連続エコー画像から時空間表現を抽出し、エコー外挿のための非定常運動過程をモデル化する。
TempEEの優位性は、現実のデータセットを利用して古典的なレーダエコー補間タスクの文脈で実証されてきた。
広範囲にわたる実験により、TempEE内の様々な成分の有効性と不必要性がさらに検証された。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling
Transformer for Radar Echo Extrapolation [15.56594998349013]
レーダエコーの空間形態と時間的進化はある程度の相関関係を示すが、それらは独立性を持っている。
レーダエコーのダイナミックスを効果的にモデル化するために,時空間相関分離変換器(SFTformer)を提案する。
HKO-7 と ChinaNorth-2021 データセットの実験結果から,SFTfomer の短時間 (1h), 中期 (2h), 長期 (3h) 降水量に優れた性能を示した。
論文 参考訳(メタデータ) (2024-02-28T04:43:41Z) - Enhancing Lidar-based Object Detection in Adverse Weather using Offset
Sequences in Time [1.1725016312484975]
ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。
本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
論文 参考訳(メタデータ) (2024-01-17T08:31:58Z) - GBD-TS: Goal-based Pedestrian Trajectory Prediction with Diffusion using
Tree Sampling Algorithm [18.367711156885203]
本稿では,GBD と呼ばれる,シーン認識型マルチモーダル歩行者軌道予測フレームワークを提案する。
まず、目標予測器は複数の目標を生成し、次に拡散ネットワークはこれらの目標に条件付きマルチモーダル軌道を生成する。
論文 参考訳(メタデータ) (2023-11-25T03:55:06Z) - Real-time Inference and Extrapolation via a Diffusion-inspired Temporal
Transformer Operator (DiTTO) [1.5728609542259502]
本稿では,時間依存偏微分方程式(PDE)を時間的離散化を伴わずに時間外挿で連続的に解く演算子学習法を提案する。
Diffusion-inspired Temporal Transformer Operator (DiTTO) と呼ばれる提案手法は,遅延拡散モデルとその条件付け機構に着想を得たものである。
我々は,地球上の温度を数年間推定し,気候問題に対する外挿能力を示すとともに,二重円錐周りの超音速流れをモデル化する。
論文 参考訳(メタデータ) (2023-07-18T08:45:54Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Prediction of severe thunderstorm events with ensemble deep learning and
radar data [0.0]
本稿では,激しい雷雨の予報をタイムリーに鳴らすことができる警報装置を実現するためのディープラーニング手法について述べる。
この警報装置はイタリアのリグリア地方で記録された気象レーダーデータに対して検証されている。
論文 参考訳(メタデータ) (2021-09-20T18:43:13Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳(メタデータ) (2020-10-26T21:14:15Z) - Temporal-Spatial Neural Filter: Direction Informed End-to-End
Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。
主な課題は、複雑な音響環境とリアルタイム処理の要件である。
複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文 参考訳(メタデータ) (2020-01-02T11:12:50Z)
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。