論文の概要: GD-CAF: Graph Dual-stream Convolutional Attention Fusion for
Precipitation Nowcasting
- arxiv url: http://arxiv.org/abs/2401.07958v2
- Date: Mon, 26 Feb 2024 16:21:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 21:31:35.680746
- Title: GD-CAF: Graph Dual-stream Convolutional Attention Fusion for
Precipitation Nowcasting
- Title(参考訳): GD-CAF: 降雨予報のためのグラフデュアルストリーム畳み込み注意融合
- Authors: Lorand Vatamany, Siamak Mehrkanoon
- Abstract要約: 降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。
GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。
ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
- 参考スコア(独自算出の注目度): 1.642094639107215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate precipitation nowcasting is essential for various applications,
including flood prediction, disaster management, optimizing agricultural
activities, managing transportation routes and renewable energy. While several
studies have addressed this challenging task from a sequence-to-sequence
perspective, most of them have focused on a single area without considering the
existing correlation between multiple disjoint regions. In this paper, we
formulate precipitation nowcasting as a spatiotemporal graph sequence
nowcasting problem. In particular, we introduce Graph Dual-stream Convolutional
Attention Fusion (GD-CAF), a novel approach designed to learn from historical
spatiotemporal graph of precipitation maps and nowcast future time step ahead
precipitation at different spatial locations. GD-CAF consists of
spatio-temporal convolutional attention as well as gated fusion modules which
are equipped with depthwise-separable convolutional operations. This
enhancement enables the model to directly process the high-dimensional
spatiotemporal graph of precipitation maps and exploits higher-order
correlations between the data dimensions. We evaluate our model on seven years
of precipitation maps across Europe and its neighboring areas collected from
the ERA5 dataset, provided by Copernicus Climate Change Services. The
experimental results reveal the superior performance of the GD-CAF model
compared to the other examined models. Additionally, visualizations of averaged
seasonal spatial and temporal attention scores across the test set offer
valuable insights into the most robust connections between diverse regions or
time steps.
- Abstract(参考訳): 洪水予報、災害管理、農業活動の最適化、交通路の管理、再生可能エネルギーなど、様々な応用に正確な降水量計が不可欠である。
いくつかの研究はシーケンス・ツー・シーケンスの観点からこの課題に対処してきたが、その多くは複数の領域間の既存の相関を考慮せずに単一の領域に焦点を当てている。
本稿では,時空間グラフ列の降水問題として降水流を定式化する。
特にGD-CAF(Graph Dual-stream Convolutional Attention Fusion)を紹介する。これは降水マップの時空間グラフから学習するための新しいアプローチであり、将来は異なる場所の降水に先んじる。
gd-cafは時空間的畳み込みの注意と、奥行き分離可能な畳み込み操作を備えたゲート融合モジュールから構成される。
この拡張により、降水マップの高次元時空間グラフを直接処理し、データ次元間の高次相関を利用することができる。
コペルニクス気候変動サービス(copernicus climate change services)が提供したera5データセットから収集したヨーロッパとその周辺地域の7年間の降水マップについて評価した。
実験の結果,gd-cafモデルが他の実験モデルと比較して優れた性能を示した。
さらに、テストセット全体の平均的な季節的空間的および時間的注意点の可視化は、多様な領域と時間ステップの間の最も堅牢な関係に関する貴重な洞察を提供する。
関連論文リスト
- COOL: A Conjoint Perspective on Spatio-Temporal Graph Neural Network for
Traffic Forecasting [10.392021668859272]
本稿では,先行情報と後続情報から異種グラフをモデル化し,高次時間関係を連続的に捉えるコンジョイント時空間グラフニューラルネットワーク(COOL)を提案する。
交通予知性を高めるために,マルチランクとマルチスケールの両方から多様な時間パターンをモデル化するコンジョイント・アテンション・デコーダを提案する。
論文 参考訳(メタデータ) (2024-03-02T04:30:09Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow
Forecasting [6.867331860819595]
複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。
既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。
本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
論文 参考訳(メタデータ) (2022-07-09T19:21:00Z) - HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather
Forecasting [13.317147032467306]
複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。
3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。
特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
論文 参考訳(メタデータ) (2022-01-22T17:30:46Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph
Neural Network [2.7088996845250897]
このような分解加群との複素時間的関係を抽出するのは時間的効果が低いと我々は主張する。
空間的および時間的アグリゲーションを行う交通予測のための統一S週間グラフ畳み込み(USTGCN)を提案する。
我々のモデルUSTGCNは3つの人気のあるベンチマークデータセットで最先端のパフォーマンスを上回ります。
論文 参考訳(メタデータ) (2021-04-26T12:33:17Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。