論文の概要: Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting

• arxiv url: http://arxiv.org/abs/2408.11990v1
• Date: Wed, 21 Aug 2024 20:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 17:44:43.116304
• Title: Time Series Foundation Models and Deep Learning Architectures for Earthquake Temporal and Spatial Nowcasting
• Title（参考訳）: 時系列基礎モデルと地震時空間放送のためのディープラーニングアーキテクチャ
• Authors: Alireza Jafari, Geoffrey Fox, John B. Rundle, Andrea Donnellan, Lisa Grant Ludwig,
• Abstract要約: 既成の基盤モデルの総合的な評価を欠いている。 我々はMultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを紹介した。 我々は,南カリフォルニアの0.1度空間ビン内における今後14日間の時系列予測問題として,地震予報を定式化した。
• 参考スコア（独自算出の注目度）: 1.4854797901022863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancing the capabilities of earthquake nowcasting, the real-time forecasting of seismic activities remains a crucial and enduring objective aimed at reducing casualties. This multifaceted challenge has recently gained attention within the deep learning domain, facilitated by the availability of extensive, long-term earthquake datasets. Despite significant advancements, existing literature on earthquake nowcasting lacks comprehensive evaluations of pre-trained foundation models and modern deep learning architectures. These architectures, such as transformers or graph neural networks, uniquely focus on different aspects of data, including spatial relationships, temporal patterns, and multi-scale dependencies. This paper addresses the mentioned gap by analyzing different architectures and introducing two innovation approaches called MultiFoundationQuake and GNNCoder. We formulate earthquake nowcasting as a time series forecasting problem for the next 14 days within 0.1-degree spatial bins in Southern California, spanning from 1986 to 2024. Earthquake time series is forecasted as a function of logarithm energy released by quakes. Our comprehensive evaluation employs several key performance metrics, notably Nash-Sutcliffe Efficiency and Mean Squared Error, over time in each spatial region. The results demonstrate that our introduced models outperform other custom architectures by effectively capturing temporal-spatial relationships inherent in seismic data. The performance of existing foundation models varies significantly based on the pre-training datasets, emphasizing the need for careful dataset selection. However, we introduce a new general approach termed MultiFoundationPattern that combines a bespoke pattern with foundation model results handled as auxiliary streams. In the earthquake case, the resultant MultiFoundationQuake model achieves the best overall performance.
• Abstract（参考訳）: 地震報知能力の向上に伴い、地震活動のリアルタイム予測は依然として死傷者を減らすことを目的とした重要かつ永続的な目標である。 この多面的課題は、大規模な長期地震データセットの利用可能化により、最近、ディープラーニング領域内で注目を集めている。 大規模な進展にもかかわらず、既存文献では、事前訓練された基礎モデルと近代的なディープラーニングアーキテクチャの包括的な評価が欠如している。 トランスフォーマーやグラフニューラルネットワークのようなこれらのアーキテクチャは、空間的関係、時間的パターン、マルチスケールの依存関係など、データのさまざまな側面に特化している。 本稿では,異なるアーキテクチャを解析し,MultiFoundationQuakeとGNNCoderという2つのイノベーションアプローチを導入することで,そのギャップを解消する。 我々は1986年から2024年までの南カリフォルニアの0.1度空間ビン内における14日間の時系列予測問題として,地震の流況を定式化した。 地震によって放出される対数エネルギーの関数として地震時系列が予測される。 包括的評価では,特にNash-Sutcliffe efficiency と Mean Squared Error の2つの重要なパフォーマンス指標を空間領域毎の時間とともに採用している。 その結果, 地震データに固有の時間空間的関係を効果的に捉えることにより, 導入したモデルは, 他のカスタムアーキテクチャよりも優れていることがわかった。 既存のファンデーションモデルのパフォーマンスは、トレーニング済みのデータセットに基づいて大きく異なり、慎重にデータセットを選択する必要性を強調している。 しかし,本研究では,マルチファウンデーションパターンと,補助ストリームとして扱われる基礎モデル結果を組み合わせた,MultiFoundationPatternというアプローチを提案する。 地震の場合、結果のMultiFoundationQuakeモデルは、全体的なパフォーマンスを最高のものにします。

関連論文リスト

• A Comprehensive Survey of Time Series Forecasting: Architectural Diversity and Open Challenges [37.20655606514617]
  時系列予測は、さまざまな分野における意思決定の重要な情報を提供する重要なタスクである。 アック、CNN、RNN、GNNといったディープラーニングアーキテクチャが開発され、時系列予測問題に応用されている。 長期的な依存関係を扱うのに優れているトランスフォーマーモデルは、時系列予測のための重要なアーキテクチャコンポーネントとなっている。
  論文  参考訳（メタデータ） (2024-10-24T07:43:55Z)
• EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes [0.0]
  我々は,NPPの地震データに対するテストを容易にするベンチマークデータセットの集合であるSmassNPPを紹介する。 データセットは1971年から2021年までのカリフォルニアの小さな、あるいは大きなターゲット領域をカバーする。 ベンチマーク実験では,3つの分割時間NPPをETASと比較し,空間的,時間的ログ的いずれにおいてもETASよりも優れていないことを確認した。
  論文  参考訳（メタデータ） (2024-09-27T16:06:17Z)
• 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)
• Time Series Representation Models [2.724184832774005]
  時系列解析は、そのスパース特性、高次元性、一貫性のないデータ品質のため、依然として大きな課題である。 近年のトランス技術の発展により,予測や計算能力が向上している。 イントロスペクションに基づく時系列解析のための新しいアーキテクチャ概念を提案する。
  論文  参考訳（メタデータ） (2024-05-28T13:25:31Z)
• Exploring Challenges in Deep Learning of Single-Station Ground Motion Records [0.0]
  実験の結果,P相とS相の到着情報に強く依存していることが判明した。 本研究は, 現場における潜在的なギャップを浮き彫りにして, 単一局地動記録の深層学習のためのロバストな手法が欠如していることを示唆する。
  論文  参考訳（メタデータ） (2024-03-12T11:56:50Z)
• 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)
• Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting [12.727583657383073]
  財務時系列予測のための正確な予測モデルのための時間的・空間的パターンの解析は困難である。 深層学習の応用に触発されて,中国における家庭のレバレッジ予測の課題を解決するための新しいモデルを提案する。 その結果,新たなアプローチは家庭の時間空間的ダイナミクスをうまく捉え,より正確で確実な予測結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T00:10:25Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• 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)

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。