論文の概要: Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting
- arxiv url: http://arxiv.org/abs/2406.04867v1
- Date: Fri, 7 Jun 2024 12:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 14:11:13.815537
- Title: Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting
- Title（参考訳）: 降水量予測の深層学習 : 時系列予測の観点から
- Authors: Sojung An, Tae-Jin Oh, Eunha Sohn, Donghyun Kim,
- Abstract要約: 本稿では,ディープラーニングを用いた時系列降水予測モデルの最近の進歩を概観する。
予測モデルを,将来のフレームを予測するためのアプローチに基づいて,テキスト再帰戦略とテキスト多重戦略に分類する。
筆者らは,現在,降水予測のための深層学習モデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
- 参考スコア（独自算出の注目度）: 4.5424061912112474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based time series forecasting has dominated the short-term precipitation forecasting field with the help of its ability to estimate motion flow in high-resolution datasets. The growing interest in precipitation nowcasting offers substantial opportunities for the advancement of current forecasting technologies. Nevertheless, there has been a scarcity of in-depth surveys of time series precipitation forecasting using deep learning. Thus, this paper systemically reviews recent progress in time series precipitation forecasting models. Specifically, we investigate the following key points within background components, covering: i) preprocessing, ii) objective functions, and iii) evaluation metrics. We then categorize forecasting models into \textit{recursive} and \textit{multiple} strategies based on their approaches to predict future frames, investigate the impacts of models using the strategies, and performance assessments. Finally, we evaluate current deep learning-based models for precipitation forecasting on a public benchmark, discuss their limitations and challenges, and present some promising research directions. Our contribution lies in providing insights for a better understanding of time series precipitation forecasting and in aiding the development of robust AI solutions for the future.
- Abstract（参考訳）: ディープラーニングに基づく時系列予測は、高解像度データセットにおける動きの流れを推定する能力の助けを借りて、短期降水予測分野を支配してきた。
降水に対する関心の高まりは、現在の予測技術の進歩にかなりの機会を与えている。
それでも、深層学習を用いた時系列降水予測の詳細な調査は乏しい。
そこで本研究では,時系列降水予測モデルの最新動向を体系的にレビューする。
具体的には、背景コンポーネント内の以下のキーポイントについて検討する。
i) 事前処理
二 目的的機能、及び
三 評価指標
次に、予測モデルを将来のフレームを予測するためのアプローチ、戦略を用いたモデルの影響、性能評価に基づいて、予測モデルを \textit{recursive} と \textit{multiple} の戦略に分類する。
最後に,降水予測のための現在のディープラーニングモデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
私たちの貢献は、時系列の降水予測をより深く理解するための洞察を提供することと、将来の堅牢なAIソリューションの開発を支援することにあります。
関連論文リスト
- Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。
従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。
本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文 参考訳（メタデータ） (2024-10-27T12:45:42Z) - Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。
予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
論文 参考訳（メタデータ） (2024-10-19T21:22:55Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - 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) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-10-12T08:51:59Z) - ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。
異なる予測条件から生じる特徴的データの特徴を識別する。
本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
論文 参考訳（メタデータ） (2023-10-11T12:48:45Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Challenges and approaches to time-series forecasting in data center
telemetry: A Survey [0.0]
この研究は、データセンターで収集されたテレメトリデータ予測のための様々な予測アプローチのレビューに重点を置いている。
我々は、よく知られた時系列予測技術の性能を要約し、評価しようと試みた。
論文 参考訳（メタデータ） (2021-01-11T22:36:21Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。