論文の概要: Probabilistic Solar Proxy Forecasting with Neural Network Ensembles
- arxiv url: http://arxiv.org/abs/2306.02169v1
- Date: Sat, 3 Jun 2023 18:22:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 19:46:59.253557
- Title: Probabilistic Solar Proxy Forecasting with Neural Network Ensembles
- Title（参考訳）: ニューラルネットワークを用いた確率的太陽プロキシ予測
- Authors: Joshua D. Daniell and Piyush M. Mehta
- Abstract要約: Space Environment Technologies (SET) は線形アルゴリズムを用いて$F_10.7 cm$を予測する。
本稿では,マルチ層パーセプトロン(MLP)と長短項メモリ(LSTM)を用いたニューラルネットワークアンサンブルを用いて,SET予測を改善する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Space weather indices are used commonly to drive forecasts of thermosphere
density, which directly affects objects in low-Earth orbit (LEO) through
atmospheric drag. One of the most commonly used space weather proxies, $F_{10.7
cm}$, correlates well with solar extreme ultra-violet (EUV) energy deposition
into the thermosphere. Currently, the USAF contracts Space Environment
Technologies (SET), which uses a linear algorithm to forecast $F_{10.7 cm}$. In
this work, we introduce methods using neural network ensembles with multi-layer
perceptrons (MLPs) and long-short term memory (LSTMs) to improve on the SET
predictions. We make predictions only from historical $F_{10.7 cm}$ values, but
also investigate data manipulation to improve forecasting. We investigate data
manipulation methods (backwards averaging and lookback) as well as multi step
and dynamic forecasting. This work shows an improvement over the baseline when
using ensemble methods. The best models found in this work are ensemble
approaches using multi step or a combination of multi step and dynamic
predictions. Nearly all approaches offer an improvement, with the best models
improving between 45 and 55\% on relative MSE. Other relative error metrics
were shown to improve greatly when ensembles methods were used. We were also
able to leverage the ensemble approach to provide a distribution of predicted
values; allowing an investigation into forecast uncertainty. Our work found
models that produced less biased predictions at elevated and high solar
activity levels. Uncertainty was also investigated through the use of a
calibration error score metric (CES), our best ensemble reached similar CES as
other work.
- Abstract（参考訳）: 宇宙天気指標は、大気抵抗によって低軌道(leo)の物体に直接影響する熱圏密度の予測を促進するために一般的に用いられる。
最もよく使われる宇宙天気のプロキシの1つ、$f_{10.7 cm}$は、太陽極端紫外線(euv)による熱圏へのエネルギー沈着とよく相関する。
現在、USAFは、線形アルゴリズムを用いて$F_{10.7 cm}$を予測するSpace Environment Technologies (SET) を契約している。
本研究では,多層パーセプトロン(MLP)と長期記憶(LSTM)を用いたニューラルネットワークアンサンブルを用いて,SET予測を改善する手法を提案する。
過去の$F_{10.7 cm}$値からのみ予測を行い、予測を改善するためにデータ操作についても検討する。
本稿では,データ操作手法(平均値と振り返り),マルチステップおよび動的予測について検討する。
本研究は,アンサンブル手法を用いた場合のベースラインに対する改善を示す。
この研究で見つかった最良のモデルは、マルチステップまたはマルチステップと動的予測の組み合わせを用いたアンサンブルアプローチである。
ほぼすべてのアプローチが改善され、最良のモデルは相対mseで45から55\%改善される。
他の相対誤差指標はアンサンブル法を用いることで大幅に改善された。
我々はまた、アンサンブルアプローチを利用して予測値の分布を提供し、予測の不確実性の調査を可能にした。
我々の研究は、高い太陽活動レベルと高い太陽活動レベルのバイアスの少ない予測モデルを発見した。
キャリブレーション誤差スコア(CES)を使用して不確実性も調査され、私たちのベストアンサンブルは他の作品と同様のCESに到達しました。
関連論文リスト
- 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳（メタデータ） (2023-05-10T16:27:55Z) - Towards Coupling Full-disk and Active Region-based Flare Prediction for
Operational Space Weather Forecasting [0.5872014229110215]
本稿では, 太陽フレア予測システムの訓練と展開を行うための新しい手法を提案する。
フルディスクモードでは、深層学習モデルを用いて全ディスクラインオブサイト磁気グラム上で予測を行う。
アクティブなリージョンベースモデルでは、各アクティブなリージョンに対して個別に予測が発行される。
論文 参考訳（メタデータ） (2022-08-11T22:34:44Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Uncertainty Quantification Techniques for Space Weather Modeling:
Thermospheric Density Application [0.0]
熱圏密度を予測する非線形MLモデルを開発するための2つの手法を提案する。
ローカルおよびグローバルデータセットでトレーニングされたモデルの性能を示す。
精度の高い不確実性推定値を用いて,独立テストデータ上で11%の誤差を達成した。
論文 参考訳（メタデータ） (2022-01-06T14:17:50Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳（メタデータ） (2021-03-23T17:48:56Z) - Towards physically consistent data-driven weather forecasting:
Integrating data assimilation with equivariance-preserving deep spatial
transformers [2.7998963147546148]
一般的なデータ駆動天気予報モデルと統合する3つのコンポーネントを提案する。
これらのコンポーネントは,1) 等価性を維持するためにU-NETの潜伏空間に付加された深部空間トランスフォーマー,2) ノイズ観測を取り込み,次の予測に対する初期条件を改善するデータ同化アルゴリズム,3) 複数段階のアルゴリズムにより,短時間で予測の精度が向上する。
論文 参考訳（メタデータ） (2021-03-16T23:15:00Z) - Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。
我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
論文 参考訳（メタデータ） (2020-05-18T14:23:26Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z) - Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。
生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。
RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文 参考訳（メタデータ） (2020-01-16T17:13:37Z)
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。