論文の概要: Multi-modal Representation Learning for Cross-modal Prediction of
Continuous Weather Patterns from Discrete Low-Dimensional Data
- arxiv url: http://arxiv.org/abs/2401.16936v1
- Date: Tue, 30 Jan 2024 12:03:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:21:06.765079
- Title: Multi-modal Representation Learning for Cross-modal Prediction of
Continuous Weather Patterns from Discrete Low-Dimensional Data
- Title(参考訳): 離散低次元データから連続気象パターンのクロスモーダル予測のためのマルチモーダル表現学習
- Authors: Alif Bin Abdul Qayyum, Xihaier Luo, Nathan M. Urban, Xiaoning Qian,
Byung-Jun Yoon
- Abstract要約: 世界は地球温暖化に寄与する温室効果ガス排出量を減らすため、環境を汚染しないクリーンで再生可能エネルギー源を探している。
風力エネルギーは温室効果ガスの排出を減少させるだけでなく、エネルギー需要の増加に対応する大きな可能性を持っている。
風力エネルギーの有効利用を実現するためには,以下の3つの課題に対処することが重要である。
- 参考スコア(独自算出の注目度): 12.25603295884306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World is looking for clean and renewable energy sources that do not pollute
the environment, in an attempt to reduce greenhouse gas emissions that
contribute to global warming. Wind energy has significant potential to not only
reduce greenhouse emission, but also meet the ever increasing demand for
energy. To enable the effective utilization of wind energy, addressing the
following three challenges in wind data analysis is crucial. Firstly, improving
data resolution in various climate conditions to ensure an ample supply of
information for assessing potential energy resources. Secondly, implementing
dimensionality reduction techniques for data collected from sensors/simulations
to efficiently manage and store large datasets. Thirdly, extrapolating wind
data from one spatial specification to another, particularly in cases where
data acquisition may be impractical or costly. We propose a deep learning based
approach to achieve multi-modal continuous resolution wind data prediction from
discontinuous wind data, along with data dimensionality reduction.
- Abstract(参考訳): 世界は地球温暖化に寄与する温室効果ガス排出量を減らすため、環境を汚染しないクリーンで再生可能エネルギー源を探している。
風力エネルギーは温室効果ガスの排出を減少させるだけでなく、エネルギー需要の増加に対応する大きな可能性がある。
風力エネルギーの有効利用を実現するためには,以下の3つの課題に対処することが重要である。
まず、潜在的なエネルギー資源を評価するための情報の十分な供給を確保するために、様々な気候条件におけるデータ解像度を改善する。
第2に,センサ/シミュレーションから収集したデータの次元低減技術を実装し,大規模データセットの効率的な管理と保存を行う。
第3に、特にデータ取得が実用的でない場合や費用がかかる場合、風力データをある空間仕様から別の空間仕様へ推定する。
本研究では,不連続風データからのマルチモーダル連続解像風データ予測とデータ次元低減を実現するためのディープラーニング手法を提案する。
関連論文リスト
- 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) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳(メタデータ) (2023-08-21T19:36:50Z) - High-resolution synthetic residential energy use profiles for the United
States [12.699816591560712]
我々は、米国全土の住宅セクター向けに、大規模で総合的な住宅エネルギー利用データセットを公開します。
データは、合成世帯の1時間あたりのエネルギー使用プロファイルからなり、温度制御負荷(TCL)と家電の使用に分解される。
論文 参考訳(メタデータ) (2022-10-14T20:55:10Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳(メタデータ) (2022-08-12T17:13:25Z) - Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。
寒冷環境における自動車排ガスの凝縮現象に着目した。
本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
論文 参考訳(メタデータ) (2022-05-24T09:37:07Z) - LEAD1.0: A Large-scale Annotated Dataset for Energy Anomaly Detection in
Commercial Buildings [0.0]
我々は,1年以上にわたる1,413個のスマート電気メーター時系列を含むASHRAE Great Energy Predictor IIIデータセットの注釈付きバージョンをリリースする。
我々は,8つの最先端異常検出手法の性能をベンチマークし,その性能を比較した。
論文 参考訳(メタデータ) (2022-03-30T07:30:59Z) - A Collection and Categorization of Open-Source Wind and Wind Power
Datasets [0.0]
風力予測タスクに十分なデータセットが公開されていることを示す。
また、研究者が適切なオープンソースデータセットを選択できるように、異なるデータグループプロパティについても論じる。
論文 参考訳(メタデータ) (2022-02-17T08:53:09Z) - Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
風力タービンの健全性解析のための2つの新しい手法を提案する。
第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。
第2の方法は抽出された概念の全体的ドリフトを評価する。
論文 参考訳(メタデータ) (2021-12-09T14:04:55Z) - Deep Spatio-Temporal Wind Power Forecasting [4.219722822139438]
エンコーダ・デコーダ構造に基づく深層学習手法を開発した。
本モデルでは,風力タービンが発生した風力を,他のタービンと比較して空間的位置と過去の風速データを用いて予測する。
論文 参考訳(メタデータ) (2021-09-29T16:26:10Z) - Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。
二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。
排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文 参考訳(メタデータ) (2021-09-25T12:37:05Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。