論文の概要: Deterministic Guidance Diffusion Model for Probabilistic Weather
Forecasting
- arxiv url: http://arxiv.org/abs/2312.02819v1
- Date: Tue, 5 Dec 2023 15:03:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:20:21.956334
- Title: Deterministic Guidance Diffusion Model for Probabilistic Weather
Forecasting
- Title（参考訳）: 確率的気象予報のための決定論的誘導拡散モデル
- Authors: Donggeun Yoon, Minseok Seo, Doyi Kim, Yeji Choi, Donghyeon Cho
- Abstract要約: textbftextitDeterministic textbftextitGuidance textbftextitDiffusion textbftextitModel (DGDM)を導入する。
- 参考スコア（独自算出の注目度）: 16.370286635698903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weather forecasting requires not only accuracy but also the ability to
perform probabilistic prediction. However, deterministic weather forecasting
methods do not support probabilistic predictions, and conversely, probabilistic
models tend to be less accurate. To address these challenges, in this paper, we
introduce the \textbf{\textit{D}}eterministic \textbf{\textit{G}}uidance
\textbf{\textit{D}}iffusion \textbf{\textit{M}}odel (DGDM) for probabilistic
weather forecasting, integrating benefits of both deterministic and
probabilistic approaches. During the forward process, both the deterministic
and probabilistic models are trained end-to-end. In the reverse process,
weather forecasting leverages the predicted result from the deterministic
model, using as an intermediate starting point for the probabilistic model. By
fusing deterministic models with probabilistic models in this manner, DGDM is
capable of providing accurate forecasts while also offering probabilistic
predictions. To evaluate DGDM, we assess it on the global weather forecasting
dataset (WeatherBench) and the common video frame prediction benchmark (Moving
MNIST). We also introduce and evaluate the Pacific Northwest Windstorm
(PNW)-Typhoon weather satellite dataset to verify the effectiveness of DGDM in
high-resolution regional forecasting. As a result of our experiments, DGDM
achieves state-of-the-art results not only in global forecasting but also in
regional forecasting. The code is available at:
\url{https://github.com/DongGeun-Yoon/DGDM}.
- Abstract（参考訳）: 天気予報には精度だけでなく、確率予測を行う能力も必要である。
しかし、決定論的気象予報法は確率的予測をサポートしないが、逆に確率的モデルは精度が低い傾向がある。
本稿では,これらの課題に対処するために,確率的気象予測のための \textbf{\textit{d}}eterministic \textbf{\textit{g}}uidance \textbf{\textit{d}}iffusion \textbf{\textit{m}}odel (dgdm) を導入する。
前方プロセスでは、決定論的モデルと確率的モデルの両方がエンドツーエンドで訓練される。
逆のプロセスでは、天気予報は決定論的モデルから予測結果を活用し、確率的モデルの中間出発点として用いる。
このような確率論的モデルと決定論的モデルを融合させることで、DGDMは正確な予測を提供すると同時に確率論的予測を提供することができる。
DGDMを評価するために、グローバルな天気予報データセット(WeatherBench)と一般的なビデオフレーム予測ベンチマーク(Moving MNIST)で評価する。
また,太平洋北西風雨(PNW)-台風気象衛星データセットを導入,評価し,高解像度地域予測におけるDGDMの有効性を検証する。
実験の結果,dgdmはグローバルな予測だけでなく,地域予測においても最先端の結果を得ることができた。
コードは以下の通り。 \url{https://github.com/DongGeun-Yoon/DGDM}。
関連論文リスト
- Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。
このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。
Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
論文 参考訳（メタデータ） (2024-06-07T09:01:25Z) - Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳（メタデータ） (2024-03-20T10:07:51Z) - 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) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳（メタデータ） (2023-02-03T15:11:39Z) - Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction [0.0]
沿岸災害の原因となる大きな波高の極端な値の予測に着目する。
本稿では,点予測に基づく新しい手法を提案する。
カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
論文 参考訳（メタデータ） (2022-06-20T14:55:17Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - WeatherBench Probability: A benchmark dataset for probabilistic
medium-range weather forecasting along with deep learning baseline models [22.435002906710803]
WeatherBenchは、測地、温度、降水量の中距離天気予報のためのベンチマークデータセットである。
WeatherBench Probabilityはこれを確率的予測に拡張し、確立された確率的検証メトリクスのセットを追加する。
論文 参考訳（メタデータ） (2022-05-02T12:49:05Z) - 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) - 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。