Fugu-MT 論文翻訳(概要): Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection

論文の概要: Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection

arxiv url: http://arxiv.org/abs/2408.04254v1
Date: Thu, 8 Aug 2024 06:47:21 GMT
ステータス: 処理完了
システム内更新日: 2024-08-09 16:29:12.421258
Title: Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection
Title（参考訳）: 予測・異常検出のための気候時系列データにおける微粒化因果関係の生成
Authors: Dongqi Fu, Yada Zhu, Hanghang Tong, Kommy Weldemariam, Onkar Bhardwaj, Jingrui He,
Abstract要約: 我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
参考スコア（独自算出の注目度）: 67.40407388422514
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Understanding the causal interaction of time series variables can contribute to time series data analysis for many real-world applications, such as climate forecasting and extreme weather alerts. However, causal relationships are difficult to be fully observed in real-world complex settings, such as spatial-temporal data from deployed sensor networks. Therefore, to capture fine-grained causal relations among spatial-temporal variables for further a more accurate and reliable time series analysis, we first design a conceptual fine-grained causal model named TBN Granger Causality, which adds time-respecting Bayesian Networks to the previous time-lagged Neural Granger Causality to offset the instantaneous effects. Second, we propose an end-to-end deep generative model called TacSas, which discovers TBN Granger Causality in a generative manner to help forecast time series data and detect possible anomalies during the forecast. For evaluations, besides the causality discovery benchmark Lorenz-96, we also test TacSas on climate benchmark ERA5 for climate forecasting and the extreme weather benchmark of NOAA for extreme weather alerts.
Abstract（参考訳）: 時系列変数の因果的相互作用を理解することは、気候予報や極端な気象予報など、多くの実世界のアプリケーションにおいて時系列データ解析に寄与することができる。しかし,センサネットワークの空間的時間的データなど,実世界の複雑な環境では因果関係を十分に観察することは困難である。そこで, 時空間変数間の微粒な因果関係を把握し, より正確で信頼性の高い時系列解析を行うため, まず, TBN Granger Causality という概念的微粒な因果関係を設計する。次に, TBN Granger Causality を時系列データの予測に役立て, 予測中に起こりうる異常を検出するために, TBN Granger Causality を生成方法で検出する TacSas という, エンドツーエンドの深部生成モデルを提案する。評価のためには、因果発見ベンチマークのLorenz-96に加えて、気候予測のための気候ベンチマークのERA5や、極度気象警報のためのNOAAの極端気象ベンチマークのTacSasもテストした。

関連論文リスト

Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文参考訳（メタデータ） (2024-07-02T20:14:32Z)
How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
論文参考訳（メタデータ） (2024-06-20T15:18:52Z)
VN-Net: Vision-Numerical Fusion Graph Convolutional Network for Sparse Spatio-Temporal Meteorological Forecasting [12.737085738169164]
VN-Netは、マルチモーダルデータを利用してスパース時間気象予報をより良く扱うためのGCN法を導入する最初の試みである。 VN-Netは、温度、相対湿度、予測のための平均絶対誤差(MAE)と根平均二乗誤差(RMSE)にかなりの差で最先端である。
論文参考訳（メタデータ） (2024-01-26T12:41:57Z)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文参考訳（メタデータ） (2023-08-13T09:51:16Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。 DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
論文参考訳（メタデータ） (2020-09-21T12:59:40Z)

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。