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

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• 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)
• 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)
• 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。