Fugu-MT 論文翻訳(概要): A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions

論文の概要: A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions

arxiv url: http://arxiv.org/abs/2408.15554v1
Date: Wed, 28 Aug 2024 06:07:58 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 17:03:09.254270
Title: A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions
Title（参考訳）: 多様な地形条件に対する新しいDenoising手法とディープラーニングに基づくハイブリッド風速予測モデル
Authors: Sourav Malakar, Saptarsi Goswami, Amlan Chakrabarti, Bhaswati Ganguli,
Abstract要約: 本稿では,風速の短期予測のための新しい適応モデルを提案する。単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。
参考スコア（独自算出の注目度）: 2.531156266686649
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Wind flow can be highly unpredictable and can suffer substantial fluctuations in speed and direction due to the shape and height of hills, mountains, and valleys, making accurate wind speed (WS) forecasting essential in complex terrain. This paper presents a novel and adaptive model for short-term forecasting of WS. The paper's key contributions are as follows: (a) The Partial Auto Correlation Function (PACF) is utilised to minimise the dimension of the set of Intrinsic Mode Functions (IMF), hence reducing training time; (b) The sample entropy (SampEn) was used to calculate the complexity of the reduced set of IMFs. The proposed technique is adaptive since a specific Deep Learning (DL) model-feature combination was chosen based on complexity; (c) A novel bidirectional feature-LSTM framework for complicated IMFs has been suggested, resulting in improved forecasting accuracy; (d) The proposed model shows superior forecasting performance compared to the persistence, hybrid, Ensemble empirical mode decomposition (EEMD), and Variational Mode Decomposition (VMD)-based deep learning models. It has achieved the lowest variance in terms of forecasting accuracy between simple and complex terrain conditions 0.70%. Dimension reduction of IMF's and complexity-based model-feature selection helps reduce the training time by 68.77% and improve forecasting quality by 58.58% on average.
Abstract（参考訳）: 風の流れは非常に予測不能であり、丘、山、谷の形状や高さによって速度や方向がかなり変動し、複雑な地形において正確な風速(WS)を予測することができる。本稿では,WS の短期予測のための新しい適応モデルを提案する。主な貢献は以下の通りである。 (a)部分自己相関関数(PACF)は、内在モード関数(IMF)の集合の寸法を最小化し、トレーニング時間を短縮するために用いられる。 b) サンプルエントロピー (SampEn) は, IMFの縮小した集合の複雑さを計算するために用いられた。提案手法は,複雑性に基づいて特定のDeep Learning(DL)モデル-機能の組み合わせが選択されたため適応的である。 (c)複雑なIMFのための新たな双方向機能LSTMフレームワークが提案され、予測精度が向上した。 (d)提案モデルでは,持続性,ハイブリッド性,エンサンブル経験モード分解(EEMD),変分モード分解(VMD)に基づくディープラーニングモデルと比較して,優れた予測性能を示す。単純な地形条件と複雑な地形条件の予測精度の0.70%において、最も低いばらつきを達成している。 IMFの次元減少と複雑さに基づくモデル機能選択は、トレーニング時間を68.77%削減し、予測品質を58.58%向上させる。

関連論文リスト

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)
Generalization capabilities and robustness of hybrid machine learning models grounded in flow physics compared to purely deep learning models [2.8686437689115363]
本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した。畳み込み自己エンコーダと畳み込みLSTM、変分自己エンコーダ(VAE)とConvLSTMと適切な分解(POD)とLSTM(POD-DL)を組み合わせたハイブリッドモデルである。 VAEおよびConvLSTMモデルは層流を正確に予測する一方で、ハイブリッドPOD-DLモデルは層流と乱流の双方において他のモデルよりも優れていた。
論文参考訳（メタデータ） (2024-04-27T12:43:02Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。本手法はLSTMの重みと偏りを分割的に最適化する。イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文参考訳（メタデータ） (2023-12-29T08:42:10Z)
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)
Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文参考訳（メタデータ） (2023-09-05T22:13:35Z)
Sparse Model Soups: A Recipe for Improved Pruning via Model Averaging [24.64264715041198]
Sparse Model Soups (SMS) は,各プルー・リトレインサイクルを前フェーズから平均モデルに開始することでスパースモデルをマージする新しい手法である。 SMSはスパース性を保ち、スパースネットワークの利点を悪用し、モジュール化され、完全に並列化可能であり、IMPのパフォーマンスを大幅に改善する。
論文参考訳（メタデータ） (2023-06-29T08:49:41Z)
Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
論文参考訳（メタデータ） (2023-04-09T20:30:10Z)
Enhancing Deep Traffic Forecasting Models with Dynamic Regression [15.31488551912888]
本稿では,既存の交通予測モデルを改善するための動的回帰(DR)フレームワークを提案する。提案手法の有効性を,速度と流速の両方のデータセットを用いて評価した。
論文参考訳（メタデータ） (2023-01-17T01:12:44Z)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。