論文の概要: Towards probabilistic Weather Forecasting with Conditioned
Spatio-Temporal Normalizing Flows
- arxiv url: http://arxiv.org/abs/2311.06958v1
- Date: Sun, 12 Nov 2023 20:52:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:01:43.947064
- Title: Towards probabilistic Weather Forecasting with Conditioned
Spatio-Temporal Normalizing Flows
- Title(参考訳): 条件付き時空間正規化流を用いた確率的気象予報
- Authors: Christina Winkler
- Abstract要約: 生成的相関はマルチモーダル相関をモデル化することができ、時間分布もうまくモデル化できることが示されている。
これにより、これらは時空間予測に適した候補モデルとなり、科学の多くの分野において問題は一様である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative normalizing flows are able to model multimodal spatial
distributions, and they have been shown to model temporal correlations
successfully as well. These models provide several benefits over other types of
generative models due to their training stability, invertibility and efficiency
in sampling and inference. This makes them a suitable candidate for stochastic
spatio-temporal prediction problems, which are omnipresent in many fields of
sciences, such as earth sciences, astrophysics or molecular sciences. In this
paper, we present conditional normalizing flows for stochastic spatio-temporal
modelling. The method is evaluated on the task of daily temperature and hourly
geopotential map prediction from ERA5 datasets. Experiments show that our
method is able to capture spatio-temporal correlations and extrapolates well
beyond the time horizon used during training.
- Abstract(参考訳): 生成正規化流はマルチモーダル空間分布をモデル化することができ、時間的相関をうまくモデル化することが示されている。
これらのモデルは、トレーニングの安定性、可逆性、サンプリングと推論の効率性のために、他の種類の生成モデルよりもいくつかの利点を提供する。
これは、地球科学、天体物理学、分子科学など、多くの科学分野において一様である確率的時空間予測問題の候補となる。
本稿では,確率的時空間モデリングのための条件付き正規化フローについて述べる。
本手法は,ERA5データセットからの日中温度と時空間地図予測のタスクに基づいて評価する。
実験により,本手法は時空間相関を捉えることができ,トレーニング中に使用する時間的地平線をはるかに越えることができることがわかった。
関連論文リスト
- Probabilistic Forecasting of Irregular Time Series via Conditional Flows [5.359176539960004]
本稿では,不規則サンプル時系列の確率予測のための新しいモデルProFITiを提案する。
このモデルは過去の観測や待ち行列や時間に基づく時系列の今後の値に関する共同分布を学習する。
4つのデータセットに対して広範な実験を行い、提案モデルが以前最高のモデルよりも4ドル高い確率を提供することを示した。
論文 参考訳(メタデータ) (2024-02-09T10:14:18Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - Mixed moving average field guided learning for spatio-temporal data [0.0]
我々は、理論誘導型機械学習アプローチを用いて、アンサンブル予測を行う。
空間的時間的・時間的短距離・長距離データセットを用いたデータへの適用の可能性を強調した。
次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
論文 参考訳(メタデータ) (2023-01-02T16:11:05Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳(メタデータ) (2021-06-10T21:49:23Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z)
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。