論文の概要: Multi-step prediction of chlorophyll concentration based on Adaptive
Graph-Temporal Convolutional Network with Series Decomposition
- arxiv url: http://arxiv.org/abs/2309.07187v1
- Date: Wed, 13 Sep 2023 02:15:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 17:18:08.206668
- Title: Multi-step prediction of chlorophyll concentration based on Adaptive
Graph-Temporal Convolutional Network with Series Decomposition
- Title（参考訳）: 直列分解を伴う適応グラフ時間畳み込みネットワークに基づくクロロフィル濃度の多段階予測
- Authors: Ying Chen, Xiao Li, Hongbo Zhang, Wenyang Song and Chongxuan Xv
- Abstract要約: 本稿では,時系列分解適応グラフ時間畳み込みネットワーク(AGTCNSD)予測モデルを提案する。
グラフ畳み込みニューラルネットワークに基づいて水質パラメータデータをモデル化し、パラメータ埋め込み行列を定義する。
モデルの有効性は, ベイハイの水質データによって検証された。
- 参考スコア（独自算出の注目度）: 11.090455139282883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chlorophyll concentration can well reflect the nutritional status and algal
blooms of water bodies, and is an important indicator for evaluating water
quality. The prediction of chlorophyll concentration change trend is of great
significance to environmental protection and aquaculture. However, there is a
complex and indistinguishable nonlinear relationship between many factors
affecting chlorophyll concentration. In order to effectively mine the nonlinear
features contained in the data. This paper proposes a time-series decomposition
adaptive graph-time convolutional network ( AGTCNSD ) prediction model.
Firstly, the original sequence is decomposed into trend component and periodic
component by moving average method. Secondly, based on the graph convolutional
neural network, the water quality parameter data is modeled, and a parameter
embedding matrix is defined. The idea of matrix decomposition is used to assign
weight parameters to each node. The adaptive graph convolution learns the
relationship between different water quality parameters, updates the state
information of each parameter, and improves the learning ability of the update
relationship between nodes. Finally, time dependence is captured by time
convolution to achieve multi-step prediction of chlorophyll concentration. The
validity of the model is verified by the water quality data of the coastal city
Beihai. The results show that the prediction effect of this method is better
than other methods. It can be used as a scientific resource for environmental
management decision-making.
- Abstract（参考訳）: クロロフィル濃度は、水の栄養状態や藻類の開花をよく反映し、水質を評価する上で重要な指標である。
クロロフィル濃度変化傾向の予測は環境保護と養殖にとって非常に重要である。
しかし、クロロフィル濃度に影響を与える多くの因子の間には複雑で区別できない非線形関係がある。
データに含まれる非線形な特徴を効果的にマイニングする。
本稿では,時系列分解適応グラフ時間畳み込みネットワーク(AGTCNSD)予測モデルを提案する。
まず、移動平均法により、元のシーケンスをトレンド成分と周期成分に分解する。
次に、グラフ畳み込みニューラルネットワークに基づいて、水質パラメータデータをモデル化し、パラメータ埋め込み行列を定義する。
行列分解のアイデアは、各ノードに重みパラメータを割り当てるために使われる。
適応グラフ畳み込みは、異なる水質パラメータ間の関係を学習し、各パラメータの状態情報を更新し、ノード間の更新関係の学習能力を向上させる。
最後に、時間依存を時間畳み込みによって捉え、クロロフィル濃度の多段階予測を実現する。
このモデルの有効性は,沿岸都市米海における水質データによって検証された。
その結果,本手法の予測効果は他の手法よりも優れていることがわかった。
環境管理意思決定のための科学資源として使用できる。
関連論文リスト
- Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
独立に解釈可能なパラメータを持つ新しい反復を導入する。
これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。
これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。
高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
論文 参考訳（メタデータ） (2024-06-20T23:27:41Z) - Data Augmentation Scheme for Raman Spectra with Highly Correlated
Annotations [0.23090185577016453]
統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。
これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-02-01T18:46:28Z) - TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-12-10T18:23:40Z) - Exploiting Causal Graph Priors with Posterior Sampling for Reinforcement Learning [86.22660674919746]
後部サンプリングは、環境の遷移力学に関する事前知識の活用を可能にする。
本稿では,環境変数に対する因果グラフとして先行値が与えられる新しい後方サンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-10-11T14:16:04Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Multi-Target Tobit Models for Completing Water Quality Data [0.0]
トビットモデルは、検閲されたデータを解析するためのよく知られた線形回帰モデルである。
本研究では、複数の検閲された変数を同時に扱うために、Emphmulti-target Tobit modelと呼ばれる古典的Tobitモデルの新たな拡張を考案した。
複数の実世界の水質データセットを用いて行われた実験は、複数の列を同時に推定することで、個別に推定するよりも大きな優位性が得られるという証拠となった。
論文 参考訳（メタデータ） (2023-02-21T13:06:19Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Heterogeneous Stream-reservoir Graph Networks with Data Assimilation [3.312798619476657]
河川の水温の正確な予測は、河川の生物地球化学的および生態学的過程を監視し、理解するために重要である。
本稿では,ストリーム・リザーバ・ネットワークを基盤とする相互作用プロセスを表現するため,不均一なリカレントグラフモデルを提案する。
貯水池の放水量は一定の貯水池では利用できないため,貯水池の放水に伴う予測バイアスを補正するデータ同化機構を開発する。
論文 参考訳（メタデータ） (2021-10-11T01:47:16Z) - Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational
Inference [48.63194907060615]
半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。
我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
論文 参考訳（メタデータ） (2020-10-31T05:48:34Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z)
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。