論文の概要: Prediction of the SYM-H Index Using a Bayesian Deep Learning Method with
Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2402.17196v1
- Date: Tue, 27 Feb 2024 04:23:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 17:40:41.308277
- Title: Prediction of the SYM-H Index Using a Bayesian Deep Learning Method with
Uncertainty Quantification
- Title(参考訳): 不確実性定量化を用いたベイズ深層学習法によるsym-h指標の予測
- Authors: Yasser Abduallah, Khalid A. Alobaid, Jason T. L. Wang, Haimin Wang,
Vania K. Jordanova, Vasyl Yurchyshyn, Huseyin Cavus, Ju Jing
- Abstract要約: 本研究では,太陽風と惑星間磁場パラメータからパターンを協調的に学習する,SYMHnetという新しいディープラーニングフレームワークを提案する。
SYMHnetは、入力として、NASAのSpace Science Data Coordinated Archiveが提供するパラメータ値の時系列を取る。
出力として、w が 1 または 2 である所定の時間点 t に対して、時間点 t + w 時間における SYM-H 指数値を予測する。
- 参考スコア(独自算出の注目度): 0.5653954660295178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel deep learning framework, named SYMHnet, which employs a
graph neural network and a bidirectional long short-term memory network to
cooperatively learn patterns from solar wind and interplanetary magnetic field
parameters for short-term forecasts of the SYM-H index based on 1-minute and
5-minute resolution data. SYMHnet takes, as input, the time series of the
parameters' values provided by NASA's Space Science Data Coordinated Archive
and predicts, as output, the SYM-H index value at time point t + w hours for a
given time point t where w is 1 or 2. By incorporating Bayesian inference into
the learning framework, SYMHnet can quantify both aleatoric (data) uncertainty
and epistemic (model) uncertainty when predicting future SYM-H indices.
Experimental results show that SYMHnet works well at quiet time and storm time,
for both 1-minute and 5-minute resolution data. The results also show that
SYMHnet generally performs better than related machine learning methods. For
example, SYMHnet achieves a forecast skill score (FSS) of 0.343 compared to the
FSS of 0.074 of a recent gradient boosting machine (GBM) method when predicting
SYM-H indices (1 hour in advance) in a large storm (SYM-H = -393 nT) using
5-minute resolution data. When predicting the SYM-H indices (2 hours in
advance) in the large storm, SYMHnet achieves an FSS of 0.553 compared to the
FSS of 0.087 of the GBM method. In addition, SYMHnet can provide results for
both data and model uncertainty quantification, whereas the related methods
cannot.
- Abstract(参考訳): 本研究では,SYM-H指数の短期予測を1分間および5分間の解像度データに基づいて,太陽風と惑星間磁場パラメータから協調的に学習するための,グラフニューラルネットワークと双方向長短期記憶ネットワークを用いた新しいディープラーニングフレームワークSYMHnetを提案する。
SYMHnetは、入力として、NASAのSpace Science Data Coordinated Archiveが提供するパラメータ値の時系列を取得し、出力として、wが1または2の所定の時間点tに対して、時間点t + w時間におけるSYM-Hインデックス値を予測する。
ベイズ推論を学習フレームワークに組み込むことで、将来のSYM-H指標を予測する際に、SYMHnetはアレタリック(データ)不確実性とエピステミック(モデル)不確実性の両方を定量化することができる。
実験の結果、SYMHnetは1分と5分の両方の解像度データに対して、静かな時間と嵐時にうまく動作することがわかった。
また,SYMHnetは関連する機械学習手法よりも性能がよいことを示した。
例えば、SYMHnetは、5分間の解像度データを用いて大嵐(SYM-H = -393 nT)におけるSYM-H指数(事前1時間)を予測する際に、最近の勾配押し上げ機(GBM)法のFFSの0.074と比較して0.343の予測スキルスコア(FSS)を達成する。
大きな嵐でSYM-H指数を予測した場合(2時間前)、SYMHnetはGBM法の0.087のFSSと比較して0.553のFSSを達成する。
さらに、SYMHnetはデータとモデルの不確実性定量化の両方に結果を提供できるが、関連する手法はできない。
関連論文リスト
- Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-21T21:40:47Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals
for GPM: A U-Net Convolutional LSTM Architecture [3.5776345196917254]
本稿では,30分毎の降水量を4時間のリードタイムでほぼ全世界的に予測する深層学習アーキテクチャを提案する。
このアーキテクチャは、U-Netと畳み込み長短期記憶(LSTM)ニューラルネットワークを融合させる。
GPM(IMERG)のための統合MultisatellitE Retrievalsのデータと、Global Forecast System(GFS)のいくつかの主要な降水ドライバを用いてトレーニングされている。
論文 参考訳(メタデータ) (2023-07-20T13:04:26Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - AdaSAM: Boosting Sharpness-Aware Minimization with Adaptive Learning
Rate and Momentum for Training Deep Neural Networks [76.90477930208982]
シャープネス認識(SAM)は、ディープニューラルネットワークのトレーニングにおいて、より一般的なものにするため、広範囲に研究されている。
AdaSAMと呼ばれる適応的な学習摂動と運動量加速度をSAMに統合することはすでに検討されている。
いくつかのNLPタスクにおいて,SGD,AMS,SAMsGradと比較して,AdaSAMが優れた性能を発揮することを示す実験を行った。
論文 参考訳(メタデータ) (2023-03-01T15:12:42Z) - Score-based Generative Modeling in Latent Space [93.8985523558869]
スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。
本稿では,Latent Score-based Generative Model (LSGM)を提案する。
データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
論文 参考訳(メタデータ) (2021-06-10T17:26:35Z) - Prediction of financial time series using LSTM and data denoising
methods [0.29923891863939933]
本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。
WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
論文 参考訳(メタデータ) (2021-03-05T07:32:36Z) - Dynamical prediction of two meteorological factors using the deep neural
network and the long short term memory $(1)$ [0.0]
本研究では,既存のニューラルネットワーク法を用いて予測精度を向上させる。
シミュレーション研究は、人工ニューラルネットワーク(ANN)、ディープニューラルネットワーク(DNN)、エクストリームラーニングマシン(ELM)、ロング短期メモリ(LSTM)を適用することによって行われます。
2014年3月から2020年2月までの韓国10都市の低周波時系列からデータを抽出する。
論文 参考訳(メタデータ) (2021-01-16T16:24:24Z) - Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine
Learning [0.0]
ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。
相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。
2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-08T15:14:13Z)
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。