論文の概要: Efficiently improving key weather variables forecasting by performing the guided iterative prediction in latent space
- arxiv url: http://arxiv.org/abs/2407.19187v1
- Date: Sat, 27 Jul 2024 05:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 19:21:07.527557
- Title: Efficiently improving key weather variables forecasting by performing the guided iterative prediction in latent space
- Title（参考訳）: 潜時空間におけるガイド付き反復予測を行うことにより、重要気象変動の予測を効果的に改善する
- Authors: Shuangliang Li, Siwei Li,
- Abstract要約: 本稿では,「符号化予測復号」予測ネットワークを提案する。
より入力された大気変数から、キー変数関連低次元潜伏特徴を適応的に抽出することができる。
我々は、予測結果と入力変数の時間的相関を高めるために、より多くの時間ステップを入力することで、citebi2023精度でHTAアルゴリズムを改善する。
- 参考スコア（独自算出の注目度）: 0.8885727065823155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Weather forecasting refers to learning evolutionary patterns of some key upper-air and surface variables which is of great significance. Recently, deep learning-based methods have been increasingly applied in the field of weather forecasting due to their powerful feature learning capabilities. However, prediction methods based on the original space iteration struggle to effectively and efficiently utilize large number of weather variables. Therefore, we propose an 'encoding-prediction-decoding' prediction network. This network can efficiently benefit to more related input variables with key variables, that is, it can adaptively extract key variable-related low-dimensional latent feature from much more input atmospheric variables for iterative prediction. And we construct a loss function to guide the iteration of latent feature by utilizing multiple atmospheric variables in corresponding lead times. The obtained latent features through iterative prediction are then decoded to obtain the predicted values of key variables in multiple lead times. In addition, we improve the HTA algorithm in \cite{bi2023accurate} by inputting more time steps to enhance the temporal correlation between the prediction results and input variables. Both qualitative and quantitative prediction results on ERA5 dataset validate the superiority of our method over other methods. (The code will be available at https://github.com/rs-lsl/Kvp-lsi)
- Abstract（参考訳）: 天気予報とは、重要な上層および表層変数の進化パターンを学習することであり、これは非常に重要である。
近年,その強力な特徴学習能力により,気象予報分野に深層学習に基づく手法が適用されてきている。
しかし、もともとの空間反復に基づく予測手法は、多数の気象変数を効果的に効果的に活用するのに苦労している。
そこで我々は,「符号化予測復号」予測ネットワークを提案する。
このネットワークは、キー変数を持つより関連性の高い入力変数、すなわち、より多くの入力された大気変数からキー変数に関連する低次元潜在特徴を適応的に抽出し、反復予測を行うことができる。
そして,複数の大気変数を対応するリード時間で利用することにより,遅延特徴の反復を導出する損失関数を構築した。
その後、反復予測により得られた潜在特徴を復号し、複数のリードタイムでキー変数の予測値を得る。
さらに,予測結果と入力変数の時間的相関性を高めるために,より多くの時間ステップを入力することで, \cite{bi2023accurate}におけるHTAアルゴリズムを改善する。
ERA5データセットの定性的および定量的な予測結果は,他の手法よりも本手法の方が優れていることを検証した。
(コードはhttps://github.com/rs-lsl/Kvp-lsi)。
関連論文リスト
- Exploring the Role of Token in Transformer-based Time Series Forecasting [10.081240480138487]
Transformer-based method is a mainstream approach for solve time series forecasting (TSF)
モデル構造を最適化することに集中しており、予測のためのトークンの役割に注意を払う研究はほとんどない。
勾配は、主に正のトークンと呼ばれる予測級数に寄与するトークンに依存する。
T-PEとV-PEを利用するために,トランスフォーマーベースのデュアルブランチフレームワークであるT2B-PEを提案する。
論文 参考訳（メタデータ） (2024-04-16T07:21:39Z) - Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。
目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文 参考訳（メタデータ） (2023-10-31T03:16:32Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - A Meta-Analysis of Solar Forecasting Based on Skill Score [0.0]
定性的な太陽予測の総合的メタ分析を,スキルスコアに基づいて行った。
4,687点のデータベースを構築し解析した。
時間内および日内予測は日頭予測よりも改善が見られた。
論文 参考訳（メタデータ） (2022-08-22T18:37:01Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳（メタデータ） (2022-02-22T18:37:23Z) - A computationally efficient neural network for predicting weather
forecast probabilities [0.0]
ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。
これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。
このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
論文 参考訳（メタデータ） (2021-03-26T12:28:15Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z) - Early Forecasting of Text Classification Accuracy and F-Measure with
Active Learning [0.7614628596146599]
テキスト分類システムの性能指標として,精度とF尺度を用いた場合の予測困難度の違いについて検討する。
予測は決定木学習において最も容易であり、サポートベクトルマシンでは適度であり、ニューラルネットワークでは最も難しい。
論文 参考訳（メタデータ） (2020-01-20T06:27:33Z)
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。