Fugu-MT 論文翻訳(概要): Assessing the predicting power of GPS data for aftershocks forecasting

論文の概要: Assessing the predicting power of GPS data for aftershocks forecasting

arxiv url: http://arxiv.org/abs/2305.11183v1
Date: Wed, 17 May 2023 18:49:37 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 17:56:36.911937
Title: Assessing the predicting power of GPS data for aftershocks forecasting
Title（参考訳）: 余震予測のためのGPSデータの予測能力の評価
Authors: Vincenzo Maria Schimmenti, Giuseppe Petrillo, Alberto Rosso, Francois P. Landes
Abstract要約: 本稿では,2015年から2019年にかけての地震カタログの余震予測のための機械学習手法を提案する。提案手法は,主衝撃時のGPS測位システム(Global Positioning System, Global Positioning System, GPS)で測定した地表面の変形を単独で入力し, 畳み込みニューラルネットワーク(CNN)を用いて処理する。予測の精度はGPS局の密度に大きく依存している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a machine learning approach for the aftershock forecasting of Japanese earthquake catalogue from 2015 to 2019. Our method takes as sole input the ground surface deformation as measured by Global Positioning System (GPS) stations at the day of the mainshock, and processes it with a Convolutional Neural Network (CNN), thus capturing the input's spatial correlations. Despite the moderate amount of data the performance of this new approach is very promising. The accuracy of the prediction heavily relies on the density of GPS stations: the predictive power is lost when the mainshocks occur far from measurement stations, as in offshore regions.
Abstract（参考訳）: 2015年から2019年までの地震カタログの余震予測のための機械学習手法を提案する。提案手法は,主衝撃時の地表面の変形をGPS(Global Positioning System)局で測定し,畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)で処理することにより,入力の空間的相関を捉える。適度なデータ量にもかかわらず、この新しいアプローチのパフォーマンスは非常に有望である。予測の精度はGPS局の密度に大きく依存しており、オフショア地域のようにメインショックが測定ステーションから遠く離れた場所で発生すると予測力が失われる。

関連論文リスト

Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
Fully Convolutional Networks for Dense Water Flow Intensity Prediction in Swedish Catchment Areas [7.324969824727792]
本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。我々は高密度水流強度予測の課題に最初に取り組みました。
論文参考訳（メタデータ） (2023-04-04T09:28:36Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Experimental study of time series forecasting methods for groundwater level prediction [0.0]
私たちは1026の地下水位時系列のデータセットを作成しました。各時系列は、地下水位と降雨と蒸発散の2つの変数を毎日測定して作成されている。ローカルおよびグローバルな時系列予測手法を含む様々な予測器を比較した。その結果, 過去の地下水位と降雨量について, グローバルな手法を訓練することで, 最良の予測が得られることがわかった。
論文参考訳（メタデータ） (2022-09-28T08:58:55Z)
A Benchmark dataset for predictive maintenance [0.688204255655161]
本論文は,ポルトガルのポルトにある都市部公共交通サービスによる予測保守プロジェクトの成果である鉄道データセットについて述べる。 2020年から2022年の間に収集されたデータは、オンラインの異常検出と障害予測のための機械学習手法の開発を目的としていた。
論文参考訳（メタデータ） (2022-07-12T11:25:53Z)
Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文参考訳（メタデータ） (2022-05-06T13:45:32Z)
Trajectory Test-Train Overlap in Next-Location Prediction Datasets [5.039138978031649]
次の位置予測は、都市計画、ジオマーケティング、病気の普及など、いくつかの分野で重要な意味を持つ。本稿では,これらの予測器の公共モビリティデータセット上での一般化能力を検証した。本研究では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。
論文参考訳（メタデータ） (2022-03-07T08:39:45Z)
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)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)
The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
本稿では,船体移動軌跡予測の教師なし手法を提案する。これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
論文参考訳（メタデータ） (2020-07-27T17:45:21Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。