論文の概要: TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting
- arxiv url: http://arxiv.org/abs/2312.05961v1
- Date: Sun, 10 Dec 2023 18:23:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 17:52:17.931446
- Title: TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting
- Title（参考訳）: TransGlow:水流予測のためのグラフニューラルネットワークに基づく注意増強型トランスダクションモデル
- Authors: Naghmeh Shafiee Roudbari, Charalambos Poullis, Zachary Patterson,
Ursula Eicker
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.915744683251151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The hydrometric prediction of water quantity is useful for a variety of
applications, including water management, flood forecasting, and flood control.
However, the task is difficult due to the dynamic nature and limited data of
water systems. Highly interconnected water systems can significantly affect
hydrometric forecasting. Consequently, it is crucial to develop models that
represent the relationships between other system components. In recent years,
numerous hydrological applications have been studied, including streamflow
prediction, flood forecasting, and water quality prediction. Existing methods
are unable to model the influence of adjacent regions between pairs of
variables. In this paper, we propose a spatiotemporal forecasting model that
augments the hidden state in Graph Convolution Recurrent Neural Network (GCRN)
encoder-decoder using an efficient version of the attention mechanism. The
attention layer allows the decoder to access different parts of the input
sequence selectively. Since water systems are interconnected and the
connectivity information between the stations is implicit, the proposed model
leverages a graph learning module to extract a sparse graph adjacency matrix
adaptively based on the data. Spatiotemporal forecasting relies on historical
data. In some regions, however, historical data may be limited or incomplete,
making it difficult to accurately predict future water conditions. Further, we
present a new benchmark dataset of water flow from a network of Canadian
stations on rivers, streams, and lakes. Experimental results demonstrate that
our proposed model TransGlow significantly outperforms baseline methods by a
wide margin.
- Abstract（参考訳）: 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。
しかし、水系の動的性質と限られたデータのため、作業は困難である。
高度に相互接続された水系は、水力計の予測に大きな影響を与える。
したがって、他のシステムコンポーネント間の関係を表すモデルを開発することが重要である。
近年,河川流量予測,洪水予測,水質予測など,多くの水文学的応用が研究されている。
既存の方法は、変数のペア間の隣接領域の影響をモデル化できない。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダにおいて,アテンションメカニズムの効率的なバージョンを用いて隠れた状態を増大させる時空間予測モデルを提案する。
注目層は、デコーダが入力シーケンスの異なる部分に選択的にアクセスできるようにする。
水系は相互接続され、ステーション間の接続情報は暗黙的であるため、提案モデルはグラフ学習モジュールを利用してデータに基づいて疎グラフ隣接行列を適応的に抽出する。
時空間予測は歴史的データに依存する。
しかし、一部の地域では、歴史的データは限定的あるいは不完全であり、将来の水質を正確に予測することは困難である。
さらに,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。
実験の結果,提案モデルであるTransGlowはベースライン法よりも広いマージンで優れていた。
関連論文リスト
- Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Fully Convolutional Networks for Dense Water Flow Intensity Prediction
in Swedish Catchment Areas [7.324969824727792]
本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。
我々は高密度水流強度予測の課題に最初に取り組みました。
論文 参考訳（メタデータ） (2023-04-04T09:28:36Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - A Graph-Based Modeling Framework for Tracing Hydrological Pollutant
Transport in Surface Waters [0.0]
本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。
グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。
我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
論文 参考訳（メタデータ） (2023-02-10T00:30:38Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Inductive Predictions of Extreme Hydrologic Events in The Wabash River
Watershed [15.963061568077567]
我々の単純なモデルはGeoMANのような複雑な注意ネットワークよりもはるかに高速に訓練できることを示す。
また,訓練中に観測された場所とは別の地理的位置において,極端な事象を予測できることを実証した。
この空間的インダクティブな設定により、Wabash Basinデータで訓練されたモデルを使用して、米国および他の地域における極端なイベントを予測できます。
論文 参考訳（メタデータ） (2021-04-25T02:26:09Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。
川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
論文 参考訳（メタデータ） (2020-07-01T16:32:07Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。