論文の概要: Predicting Temperature of Major Cities Using Machine Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2309.13330v1
• Date: Sat, 23 Sep 2023 10:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 20:30:57.992201
• Title: Predicting Temperature of Major Cities Using Machine Learning and Deep Learning
• Title（参考訳）: 機械学習と深層学習による大都市の気温予測
• Authors: Wasiou Jaharabi, MD Ibrahim Al Hossain, Rownak Tahmid, Md. Zuhayer Islam, T.M. Saad Rayhan
• Abstract要約: 我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。 この文書には、このような予測を行うための方法論が含まれています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, the issue that concerns the world leaders most is climate change for its effect on agriculture, environment and economies of daily life. So, to combat this, temperature prediction with strong accuracy is vital. So far, the most effective widely used measure for such forecasting is Numerical weather prediction (NWP) which is a mathematical model that needs broad data from different applications to make predictions. This expensive, time and labor consuming work can be minimized through making such predictions using Machine learning algorithms. Using the database made by University of Dayton which consists the change of temperature in major cities we used the Time Series Analysis method where we use LSTM for the purpose of turning existing data into a tool for future prediction. LSTM takes the long-term data as well as any short-term exceptions or anomalies that may have occurred and calculates trend, seasonality and the stationarity of a data. By using models such as ARIMA, SARIMA, Prophet with the concept of RNN and LSTM we can, filter out any abnormalities, preprocess the data compare it with previous trends and make a prediction of future trends. Also, seasonality and stationarity help us analyze the reoccurrence or repeat over one year variable and removes the constrain of time in which the data was dependent so see the general changes that are predicted. By doing so we managed to make prediction of the temperature of different cities during any time in future based on available data and built a method of accurate prediction. This document contains our methodology for being able to make such predictions.
• Abstract（参考訳）: 現在、世界のリーダーを最も悩ませている問題は、農業、環境、日常生活の経済に影響を及ぼす気候変動である。 そのため、これに対処するためには、強い精度で温度予測が不可欠である。 これまでのところ、このような予測に最も有効な指標は数値天気予報(NWP)であり、これは予測を行うために異なるアプリケーションから幅広いデータを必要とする数学的モデルである。 この高価で時間と労力のかかる作業は、機械学習アルゴリズムを使って予測を行うことで最小化できる。 主要都市における気温変化を表わすデイトン大学のデータベースを用いて時系列解析を行い,既存のデータを将来予測ツールに変換する目的でlstmを用いた。 LSTMは、発生した可能性のある短期的な例外や異常と同様に、長期的なデータを取り、データの傾向、季節性、定常性を計算する。 ARIMA、SARIMA、Prophetといったモデルを使って、RNNやLSTMの概念を使って、あらゆる異常をフィルタリングし、データを以前のトレンドと比較し、将来のトレンドを予測することができます。 また、季節性や定常性は、再帰や1年以上の変動を解析し、データに依存する時間の制約を取り除き、予測される一般的な変化を見るのに役立ちます。 これにより、利用可能なデータに基づいて、将来いつでも異なる都市の温度を予測することができ、正確な予測方法を構築しました。 この文書には、このような予測を行うための方法論が含まれています。

関連論文リスト

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Long-Term Typhoon Trajectory Prediction: A Physics-Conditioned Approach Without Reanalysis Data [18.321586950937647]
  本稿では,リアルタイム統一モデル(UM)データを活用する手法を提案する。 本モデルでは,6時間間隔で72時間前処理を行い,最新データ駆動モデルと数値天気予報モデルとを比較検討した。
  論文  参考訳（メタデータ） (2024-01-28T18:28:33Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• 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)
• MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day [3.6704226968275258]
  我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。 このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
  論文  参考訳（メタデータ） (2022-03-11T10:22:57Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。