論文の概要: ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction
- arxiv url: http://arxiv.org/abs/2309.00314v2
- Date: Mon, 8 Jan 2024 14:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 23:15:48.656475
- Title: ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction
- Title(参考訳): ARFA:時空間予測のための非対称受容野オートエンコーダモデル
- Authors: Wenxuan Zhang, Xuechao Zou, Li Wu, Xiaoying Wang, Jianqiang Huang,
Junliang Xing
- Abstract要約: 本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
- 参考スコア(独自算出の注目度): 55.30913411696375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal prediction aims to generate future sequences by paradigms
learned from historical contexts. It is essential in numerous domains, such as
traffic flow prediction and weather forecasting. Recently, research in this
field has been predominantly driven by deep neural networks based on
autoencoder architectures. However, existing methods commonly adopt autoencoder
architectures with identical receptive field sizes. To address this issue, we
propose an Asymmetric Receptive Field Autoencoder (ARFA) model, which
introduces corresponding sizes of receptive field modules tailored to the
distinct functionalities of the encoder and decoder. In the encoder, we present
a large kernel module for global spatiotemporal feature extraction. In the
decoder, we develop a small kernel module for local spatiotemporal information
reconstruction. Experimental results demonstrate that ARFA consistently
achieves state-of-the-art performance on popular datasets. Additionally, we
construct the RainBench, a large-scale radar echo dataset for precipitation
prediction, to address the scarcity of meteorological data in the domain.
- Abstract(参考訳): 時空間予測は、歴史的文脈から学んだパラダイムによって将来のシーケンスを生成することを目的としている。
交通量予測や気象予報など、多くの分野において必須である。
近年、この分野での研究は主にオートエンコーダアーキテクチャに基づくディープニューラルネットワークによって進められている。
しかし、既存の手法では、同じ受信フィールドサイズを持つオートエンコーダアーキテクチャが一般的である。
そこで本研究では,非対称受容体オートエンコーダ(arfa)モデルを提案し,エンコーダとデコーダの異なる機能に合わせて対応する受容体モジュールのサイズを導入する。
エンコーダでは,大域的時空間特徴抽出のためのカーネルモジュールを提案する。
デコーダでは,局所時空間情報再構成のためのカーネルモジュールを開発する。
実験結果から、ARFAは一般的なデータセット上での最先端のパフォーマンスを一貫して達成していることがわかった。
さらに,降雨予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
関連論文リスト
- Enhancing Spatiotemporal Prediction Model using Modular Design and
Beyond [2.323220706791067]
時間と空間の両方でシーケンスを予測することは困難である。
主流の方法は、同時に時間構造と空間構造をモデル化することである。
配列モデルを空間エンコーダデコーダと予測器の2つのモジュールに組み込むモジュール設計を提案する。
論文 参考訳(メタデータ) (2022-10-04T10:09:35Z) - Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。
RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。
不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文 参考訳(メタデータ) (2021-11-16T11:31:37Z) - Spatiotemporal Weather Data Predictions with Shortcut
Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge [0.0]
本稿では、著者がWeather4cast 2021 Challenge Stage 1で使用したニューラルネットワークモデルについて述べる。
目的は、衛星ベースの気象データ画像の時間的進化を予測することである。
ネットワークは、ゲートリカレントユニット(GRU)、残留ブロック、U-Netに似たショートカットを持つ縮小/拡張アーキテクチャを利用するエンコーダ・フォカスターアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-03T10:36:47Z) - Probabilistic Autoencoder using Fisher Information [0.0]
この作業では、Autoencoderアーキテクチャの拡張であるFisherNetが導入されている。
このアーキテクチャでは、潜時空間の不確実性はエンコーダの付加情報チャネルを使用して生成されるのではなく、フィッシャー情報計量を用いてデコーダから導出される。
FisherNetは、同等のVAEよりも正確なデータ再構成を実現しており、学習性能も、潜在空間次元の数に比例して向上していることが実験的に証明できる。
論文 参考訳(メタデータ) (2021-10-28T08:33:24Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - Learning Spatio-Temporal Transformer for Visual Tracking [108.11680070733598]
本稿では,エンコーダ・デコーダ変換器をキーコンポーネントとする新しいトラッキングアーキテクチャを提案する。
メソッド全体がエンドツーエンドであり、コサインウィンドウやバウンディングボックススムーシングのような後処理ステップは不要である。
提案されたトラッカーは、Siam R-CNNよりも6倍速いリアルタイム速度を実行しながら、5つのチャレンジングな短期および長期ベンチマークで最先端のパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-03-31T15:19:19Z) - Numerical Weather Forecasting using Convolutional-LSTM with Attention
and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。
我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2021-02-01T08:30:42Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Multivariate Temporal Autoencoder for Predictive Reconstruction of Deep
Sequences [0.0]
時系列の予測とモデリングは、実世界のデータセットにおいて挑戦的な試みであることが証明されている。
2つの重要な問題は、データの多次元性と、遅延出力信号を形成する独立次元の相互作用である。
本稿では,データウィンドウの潜在状態ベクトル表現をモデル化することにより,上記の問題に対処するためのマルチブランチディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T21:25:35Z) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳(メタデータ) (2020-10-07T03:34:01Z)
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。