論文の概要: Spatio-temporal DeepKriging for Interpolation and Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2306.11472v1
• Date: Tue, 20 Jun 2023 11:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 14:31:46.820659
• Title: Spatio-temporal DeepKriging for Interpolation and Probabilistic Forecasting
• Title（参考訳）: 補間と確率予測のための時空間ディープクリグ
• Authors: Pratik Nag, Ying Sun, Brian J Reich
• Abstract要約: 本稿では、時間・時間・予測のためのディープニューラルネットワーク(DNN)に基づく2段階モデルを提案する。 我々は、確率予測を提供するために、量子ベースの損失関数をプロセスに導入する。 複雑な時間過程の大規模予測に適している。
• 参考スコア（独自算出の注目度）: 2.494500339152185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian processes (GP) and Kriging are widely used in traditional spatio-temporal mod-elling and prediction. These techniques typically presuppose that the data are observed from a stationary GP with parametric covariance structure. However, processes in real-world applications often exhibit non-Gaussianity and nonstationarity. Moreover, likelihood-based inference for GPs is computationally expensive and thus prohibitive for large datasets. In this paper we propose a deep neural network (DNN) based two-stage model for spatio-temporal interpolation and forecasting. Interpolation is performed in the first step, which utilizes a dependent DNN with the embedding layer constructed with spatio-temporal basis functions. For the second stage, we use Long-Short Term Memory (LSTM) and convolutional LSTM to forecast future observations at a given location. We adopt the quantile-based loss function in the DNN to provide probabilistic forecasting. Compared to Kriging, the proposed method does not require specifying covariance functions or making stationarity assumption, and is computationally efficient. Therefore, it is suitable for large-scale prediction of complex spatio-temporal processes. We apply our method to monthly $PM_{2.5}$ data at more than $200,000$ space-time locations from January 1999 to December 2022 for fast imputation of missing values and forecasts with uncertainties.
• Abstract（参考訳）: ガウス過程(GP)とクリギング(Kriging)は、伝統的な時空間変調と予測に広く用いられている。 これらの手法は、データがパラメトリック共分散構造を持つ定常gpから観測されることを前提としている。 しかし、実世界の応用におけるプロセスは、しばしば非ガウス性および非定常性を示す。 さらに、GPの確率ベース推論は計算コストが高く、大規模なデータセットでは禁止される。 本稿では,時空間補間と予測のための深層ニューラルネットワーク(dnn)に基づく2段階モデルを提案する。 補間は第1ステップで行われ、時空間基底関数で構築された埋め込み層を持つ依存dnnを利用する。 第2段階では、Long-Short Term Memory (LSTM) と畳み込みLSTMを用いて、ある場所における将来の観測を予測する。 我々は,DNNにおける量子的損失関数を用いて確率予測を行う。 krigingと比較して,提案手法は共分散関数の指定や定常性仮定を必要とせず,計算効率が高い。 したがって、複雑な時空間過程の大規模予測に適している。 我々は,1999年1月から2022年12月までの時空位置を20万ドル以上で月間PM_{2.5}$データに適用し,不確実性のある値や予測の高速な計算を行った。

関連論文リスト

• Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
  高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。 これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。 拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-10T01:26:16Z)
• Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks [44.294078238444996]
  本稿では、この文脈におけるPFN(preded-data fit Neural Network)の最初の応用について述べる。 我々は,LC-PFNがMCMCよりも後方予測分布を正確に近似できることを実証した。 また,同じLC-PFNが,20万個の実学習曲線を外挿する競合性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-10-31T13:30:30Z)
• Bivariate DeepKriging for Large-scale Spatial Interpolation of Wind Fields [2.586710925821896]
  高空間分解能風速データは、気候、海洋学、気象学研究における幅広い応用に不可欠である。 2次元の速度を持つ二変量風場の大規模空間計算やダウンスケーリングは難しい課題である。 本稿では,空間的ラジアル基底関数によって構築された埋め込み層を持つ空間依存型ディープニューラルネットワーク(DNN)であるバイバリケートディープクリギングを提案する。 提案したDNNモデルの計算効率とスケーラビリティを,従来の手法に比べて平均20倍高速な計算で実証する。
  論文  参考訳（メタデータ） (2023-07-16T13:34:44Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Combining Pseudo-Point and State Space Approximations for Sum-Separable Gaussian Processes [48.64129867897491]
  我々は,擬似点法と状態空間GP近似フレームワークを組み合わせて両世界の長所を得る,シンプルでエレガントな方法が存在することを示す。 組み合わせたアプローチは、どちらの方法よりも拡張性が高く、時間的問題にも適用可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-18T16:30:09Z)
• Learning Functional Priors and Posteriors from Data and Physics [3.537267195871802]
  我々は、歴史的データを用いて時空の露光を可能にするディープニューラルネットワークに基づく新しいフレームワークを開発した。 物理インフォームド・ジェネレーティブ・アダクティブ・アダクティブ・ネットワーク(PI-GAN)を用いて機能的事前学習を行う。 第2段階では, PI-GANの潜伏空間の後方を推定するために, ハミルトニアンモンテカルロ法(HMC)を用いる。
  論文  参考訳（メタデータ） (2021-06-08T03:03:24Z)
• Exploring the Uncertainty Properties of Neural Networks' Implicit Priors in the Infinite-Width Limit [47.324627920761685]
  我々は、無限大のNNのアンサンブルに先立って関数空間をガウス過程として特徴づける最近の理論的進歩を用いる。 これにより、関数空間上の暗黙の前のNNについて、よりよく理解できます。 また,従来のNNGPを用いた分類手法の校正について検討した。
  論文  参考訳（メタデータ） (2020-10-14T18:41:54Z)
• Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
  ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。 この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。 この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
  論文  参考訳（メタデータ） (2020-08-19T12:35:55Z)
• DeepKriging: Spatially Dependent Deep Neural Networks for Spatial Prediction [2.219504240642369]
  空間統計学において、共通の目的は、空間依存を利用して、観測されていない場所での空間過程の値を予測することである。 DeepKriging法はガウスの場合にはKrigingと直接リンクしており、非ガウスおよび非定常データに対してKrigingよりも多くの利点がある。 本手法を米国大陸におけるPM2.5濃度の予測に適用する。
  論文  参考訳（メタデータ） (2020-07-23T12:38:53Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。