論文の概要: SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling
Transformer for Radar Echo Extrapolation
- arxiv url: http://arxiv.org/abs/2402.18044v1
- Date: Wed, 28 Feb 2024 04:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 16:29:04.113624
- Title: SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling
Transformer for Radar Echo Extrapolation
- Title（参考訳）: SFTformer:レーダエコー外挿用時空間周波数相関デカップリング変換器
- Authors: Liangyu Xu, Wanxuan Lu, Hongfeng Yu, Fanglong Yao, Xian Sun, Kun Fu
- Abstract要約: レーダエコーの空間形態と時間的進化はある程度の相関関係を示すが、それらは独立性を持っている。
レーダエコーのダイナミックスを効果的にモデル化するために,時空間相関分離変換器(SFTformer)を提案する。
HKO-7 と ChinaNorth-2021 データセットの実験結果から,SFTfomer の短時間 (1h), 中期 (2h), 長期 (3h) 降水量に優れた性能を示した。
- 参考スコア（独自算出の注目度）: 15.56594998349013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extrapolating future weather radar echoes from past observations is a complex
task vital for precipitation nowcasting. The spatial morphology and temporal
evolution of radar echoes exhibit a certain degree of correlation, yet they
also possess independent characteristics. {Existing methods learn unified
spatial and temporal representations in a highly coupled feature space,
emphasizing the correlation between spatial and temporal features but
neglecting the explicit modeling of their independent characteristics, which
may result in mutual interference between them.} To effectively model the
spatiotemporal dynamics of radar echoes, we propose a
Spatial-Frequency-Temporal correlation-decoupling Transformer (SFTformer). The
model leverages stacked multiple SFT-Blocks to not only mine the correlation of
the spatiotemporal dynamics of echo cells but also avoid the mutual
interference between the temporal modeling and the spatial morphology
refinement by decoupling them. Furthermore, inspired by the practice that
weather forecast experts effectively review historical echo evolution to make
accurate predictions, SFTfomer incorporates a joint training paradigm for
historical echo sequence reconstruction and future echo sequence prediction.
Experimental results on the HKO-7 dataset and ChinaNorth-2021 dataset
demonstrate the superior performance of SFTfomer in short(1h), mid(2h), and
long-term(3h) precipitation nowcasting.
- Abstract（参考訳）: 将来の気象レーダーのエコーを過去の観測から推定することは、降雨を流すのに必須の複雑なタスクである。
レーダーエコーの空間的形態と時間的進化はある程度の相関を示すが、それらは独立した特性を持っている。
既存の手法は、高度に結合した特徴空間における統一的な空間的・時間的表現を学習し、空間的特徴と時間的特徴の相関を強調するが、それらの独立した特徴の明示的なモデリングを無視する。
レーダーエコーの時空間ダイナミクスを効果的にモデル化するために,空間周波数-時空間相関分離トランス (sftformer) を提案する。
このモデルでは、複数のsftブロックを積み重ねることでエコー細胞の時空間ダイナミクスの相関関係を発掘するだけでなく、時間的モデリングと空間形態の微粒化との相互干渉を回避できる。
さらに、気象予報の専門家が歴史的エコー進化を効果的に見直して正確な予測を行うという慣行に触発されて、sftfomerは歴史的エコーシーケンス再構成と将来のエコーシーケンス予測のための合同訓練パラダイムを取り入れている。
HKO-7データセットとChinaNorth-2021データセットの実験結果から,ショート(1h),ミドル(2h),長期降雨(3h)におけるSFTfomerの優れた性能を示した。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Triplet Attention Transformer for Spatiotemporal Predictive Learning [9.059462850026216]
本稿では,フレーム間動的特徴とフレーム内静的特徴の両方を捉えるために,革新的な三重項注意変換器を提案する。
このモデルはトリプレット・アテンション・モジュール(TAM)を組み込んだもので、時間、空間、チャネル次元における自己アテンションのメカニズムを探求することで、従来のリカレント・ユニットを置き換える。
論文 参考訳（メタデータ） (2023-10-28T12:49:33Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - TempEE: Temporal-Spatial Parallel Transformer for Radar Echo
Extrapolation Beyond Auto-Regression [18.456518902538814]
本稿では,TempEEと呼ばれる新しいレーダエコー外挿アルゴリズムを提案する。
自動回帰の使用を回避し、累積誤差の拡散を防ぐために1ステップの前進戦略を採用する。
広範囲な実験により、TempEE内の様々な成分の有効性と不必要性が検証された。
論文 参考訳（メタデータ） (2023-04-27T12:26:04Z) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T11:29:49Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z) - Temporal-Spatial Neural Filter: Direction Informed End-to-End
Multi-channel Target Speech Separation [66.46123655365113]
ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。
主な課題は、複雑な音響環境とリアルタイム処理の要件である。
複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
論文 参考訳（メタデータ） (2020-01-02T11:12:50Z)
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。