論文の概要: Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT)

• arxiv url: http://arxiv.org/abs/2306.13815v1
• Date: Fri, 23 Jun 2023 23:29:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 18:59:54.529441
• Title: Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT)
• Title（参考訳）: テンポラル核融合変圧器(TFT)によるグローバル時間GPPのスケールアップ
• Authors: Rumi Nakagawa, Mary Chau, John Calzaretta, Trevor Keenan, Puya Vahabi, Alberto Todeschini, Maoya Bassiouni, Yanghui Kang
• Abstract要約: グロース・プライマリ・生産性は気候変動のイニシアチブを評価するのに不可欠である。 推定値は現在、わずかに分散した渦状共分散塔の場所からのみ入手可能である。 本研究では、TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable estimates of Gross Primary Productivity (GPP), crucial for evaluating climate change initiatives, are currently only available from sparsely distributed eddy covariance tower sites. This limitation hampers access to reliable GPP quantification at regional to global scales. Prior machine learning studies on upscaling \textit{in situ} GPP to global wall-to-wall maps at sub-daily time steps faced limitations such as lack of input features at higher temporal resolutions and significant missing values. This research explored a novel upscaling solution using Temporal Fusion Transformer (TFT) without relying on past GPP time series. Model development was supplemented by Random Forest Regressor (RFR) and XGBoost, followed by the hybrid model of TFT and tree algorithms. The best preforming model yielded to model performance of 0.704 NSE and 3.54 RMSE. Another contribution of the study was the breakdown analysis of encoder feature importance based on time and flux tower sites. Such analysis enhanced the interpretability of the multi-head attention layer as well as the visual understanding of temporal dynamics of influential features.
• Abstract（参考訳）: 気候変動イニシアチブの評価に不可欠なGross First Productivity (GPP)の信頼性評価は、現在、わずかに分散した渦状共分散塔からのみ利用可能である。 この制限は、地域規模からグローバル規模での信頼できるgpp定量化へのアクセスを阻害する。 従来の機械学習研究では,高時間分解能での入力特徴の欠如や重要な欠落値などの制約に直面していた。 本研究は,過去GPP時系列に依存することなく,TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。 モデル開発はRandom Forest Regressor (RFR)とXGBoostによって補完され、続いてTFTとツリーアルゴリズムのハイブリッドモデルが導入された。 最高のプリフォーミングモデルは0.704 NSEと3.54 RMSEのモデル性能を得た。 この研究のもう1つの貢献は、時間とフラックスタワーサイトに基づくエンコーダの特徴的重要性の分解分析であった。 このような分析により,マルチヘッドアテンション層の解釈性が向上し,影響する特徴の時間的ダイナミクスの視覚的理解が向上した。

関連論文リスト

• Rethinking the Power of Timestamps for Robust Time Series Forecasting: A Global-Local Fusion Perspective [23.617890999628514]
  時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業で重要な役割を果たしてきた。 季節情報が豊富にあるため、タイムスタンプは予測技術に堅牢なグローバルガイダンスを提供する可能性を秘めている。 本稿では,これらの問題に対処する新しいフレームワークGLAFFを提案する。 このフレームワーク内では、タイムスタンプはグローバルな依存関係をキャプチャするために個別にモデル化される。
  論文  参考訳（メタデータ） (2024-09-27T12:34:08Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Recurrent Neural Networks for Modelling Gross Primary Production [34.819587029115205]
  グロス・プライマリ・プロダクション (Gross Primary Production) は、特に森林にとって最大の大気から土地へのCO$のフラックスである。 ディープラーニングは、新しい視点を提供し、日々のMMEを推定するニューラルネットワークアーキテクチャの可能性は、まだ解明されていない。 本稿では,RNN,GRU(Gated Recurrent Units),LSTM(Long-Short Term Memorys)の3つのアーキテクチャの比較分析を行った。
  論文  参考訳（メタデータ） (2024-04-19T09:46:45Z)
• SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction [11.918007808289463]
  本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
  論文  参考訳（メタデータ） (2024-04-18T02:15:40Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。 この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。 本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
  短期的な風速予測は、経済的な風力利用に不可欠である。 現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。 本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:02:52Z)

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。