論文の概要: A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction
- arxiv url: http://arxiv.org/abs/2309.04733v1
- Date: Sat, 9 Sep 2023 09:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 16:49:39.551723
- Title: A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction
- Title(参考訳): 細粒度マルチホリゾン風予測のための時空間深層ニューラルネットワーク
- Authors: Fanling Huang and Yangdong Deng
- Abstract要約: 本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
- 参考スコア(独自算出の注目度): 3.2474405288441544
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The prediction of wind in terms of both wind speed and direction, which has a
crucial impact on many real-world applications like aviation and wind power
generation, is extremely challenging due to the high stochasticity and
complicated correlation in the weather data. Existing methods typically focus
on a sub-set of influential factors and thus lack a systematic treatment of the
problem. In addition, fine-grained forecasting is essential for efficient
industry operations, but has been less attended in the literature. In this
work, we propose a novel data-driven model, Multi-Horizon SpatioTemporal
Network (MHSTN), generally for accurate and efficient fine-grained wind
prediction. MHSTN integrates multiple deep neural networks targeting different
factors in a sequence-to-sequence (Seq2Seq) backbone to effectively extract
features from various data sources and produce multi-horizon predictions for
all sites within a given region. MHSTN is composed of four major modules.
First, a temporal module fuses coarse-grained forecasts derived by Numerical
Weather Prediction (NWP) and historical on-site observation data at stations so
as to leverage both global and local atmospheric information. Second, a spatial
module exploits spatial correlation by modeling the joint representation of all
stations. Third, an ensemble module weighs the above two modules for final
predictions. Furthermore, a covariate selection module automatically choose
influential meteorological variables as initial input. MHSTN is already
integrated into the scheduling platform of one of the busiest international
airports of China. The evaluation results demonstrate that our model
outperforms competitors by a significant margin.
- Abstract(参考訳): 風速と方向の両方の観点からの風速の予測は、航空や風力発電といった現実世界の多くの応用に重大な影響を与えるが、気象データに高い確率性と複雑な相関があるため、非常に困難である。
既存の手法は通常、影響のある要因のサブセットに焦点を合わせ、それゆえ問題の体系的な処理を欠いている。
また,効率的な産業運営には細粒度予測が不可欠であるが,文献にはあまり触れられていない。
本研究では,MHSTN(Multi-Horizon SpatioTemporal Network)と呼ばれる新しいデータ駆動モデルを提案する。
MHSTNは、シーケンシャル・ツー・シークエンス(Seq2Seq)バックボーン内の異なる因子をターゲットとする複数のディープニューラルネットワークを統合し、様々なデータソースから機能を効果的に抽出し、指定された領域内のすべてのサイトに対して多重水平予測を生成する。
MHSTNは4つの主要なモジュールから構成されている。
まず, 数値気象予報(NWP)による粗粒度予測と, 地上観測データとを融合させて, グローバル・ローカル両方の大気情報を活用する。
第二に、空間モジュールは全ての局の関節表現をモデル化することで空間相関を利用する。
第3に、アンサンブルモジュールは、最終的な予測のために上記の2つのモジュールを重み付けする。
さらに、共変量選択モジュールは、影響のある気象変数を初期入力として自動的に選択する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
評価の結果,我々のモデルは競争相手をかなり上回っていることがわかった。
関連論文リスト
- Day-ahead regional solar power forecasting with hierarchical temporal
convolutional neural networks using historical power generation and weather
data [2.9884358130293056]
本研究では,各地域における天気データと時系列(集約,個人)の両タイプを効果的に活用する,深層学習に基づく地域予測手法を提案する。
提案した研究は、西オーストラリアの101カ所から1年以上にわたって収集された大規模なデータセットを用いて評価され、予測を1日先延ばしにしている。
論文 参考訳(メタデータ) (2024-03-04T00:09:07Z) - 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) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - 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) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - A Concurrent CNN-RNN Approach for Multi-Step Wind Power Forecasting [0.0]
風力予測は、意思決定において高い確実性を持つことによって、電力システムの計画を支援する。
この課題を解決するための1つのアプローチは、地理的グリッドを横断する複数の地点からの気象情報を利用して、風力発電所の以前の出力からの時間情報とともに、風のパターンの全体像を得ることである。
提案したCNN-RNNアーキテクチャは,畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)を組み合わせて,多次元入力データから空間的および時間的情報を抽出し,日々の予測を行う。
論文 参考訳(メタデータ) (2023-01-02T15:31:16Z) - 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) - Global geomagnetic perturbation forecasting using Deep Learning [21.837727173953663]
我々は、太陽風の測定のみを入力として、30分後に予測する高速なグローバルdB/dt予測モデルを開発した。
このモデルでは,1分間の周期で水平磁気摂動成分に対する大域的予測を生成する。
論文 参考訳(メタデータ) (2022-05-12T18:58:16Z) - 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) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。