Fugu-MT 論文翻訳(概要): A Tidal Current Speed Forecasting Model based on Multiple Periodicity Learning

論文の概要: A Tidal Current Speed Forecasting Model based on Multiple Periodicity Learning

arxiv url: http://arxiv.org/abs/2410.09718v1
Date: Sun, 13 Oct 2024 04:15:05 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 08:36:49.226891
Title: A Tidal Current Speed Forecasting Model based on Multiple Periodicity Learning
Title（参考訳）: 周期学習に基づく潮流速度予測モデル
Authors: Tengfei Cheng, Yunxuan Dong, Yangdi Huang,
Abstract要約: 潮流エネルギーは再生可能エネルギーの浸透速度を高める重要な要素の1つである。これまでの研究は主に潮流の速度を予測するために物理モデルを用いてきた。潮流の複数の周期性を研究することは潮流の速度を正確に予測するために重要である。
参考スコア（独自算出の注目度）: 1.1060425537315088
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tidal energy is one of the key components in increasing the penetration rate of renewable energy. The penetration of tidal energy in the electrical grid depends on the accuracy of tidal current speed forecasting. Modeling inaccuracies hinder forecast accuracy. Previous research has primarily used physical models to forecast tidal current speed. However, tidal current variations influenced by the orbital periods of celestial bodies make accurate physical modeling challenging. Researching the multiple periodicity of tides is crucial for accurately forecasting tidal current speed. In this article, we propose the Wavelet-Enhanced Convolutional Network (WCN) to learn multiple periodicity. The framework embeds intra-period and inter-period variations of one-dimensional tidal current data into the rows and columns of a two-dimensional tensor. Then, the two-dimensional variations of the sequence can be processed by convolutional kernels. We integrate a time-frequency analysis method into the framework to further address local periodic features. Additionally, to enhance the framework's stability, we optimize the framework's hyperparameters with the Tree-structured Parzen Estimator algorithm. The proposed framework avoids the lack of learning multiple periodicity. Compared with benchmarks, the proposed framework reduces the mean absolute error and mean square error in 10-step forecasting by, at most, 90.36% and 97.56%, respectively.
Abstract（参考訳）: 潮流エネルギーは再生可能エネルギーの浸透速度を高める重要な要素の1つである。電力網内の潮流エネルギーの浸透は潮流速予測の精度に依存する。不正確なモデリングは予測精度を損なう。これまでの研究は主に潮流の速度を予測するために物理モデルを用いてきた。しかし、天体の軌道周期に影響された潮流の変化は正確な物理モデリングを困難にしている。潮流の複数の周期性を研究することは潮流の速度を正確に予測するために重要である。本稿では,Wavelet-Enhanced Convolutional Network(WCN)を提案する。このフレームワークは、一次元潮流データの周期内および周期間変動を二次元テンソルの行と列に埋め込む。次に、シーケンスの2次元のバリエーションを畳み込みカーネルで処理することができる。我々は,時間周波数解析手法をフレームワークに統合し,局所的な周期的特徴に対処する。さらに,フレームワークの安定性を高めるために,木構造パーゼン推定アルゴリズムを用いてフレームワークのハイパーパラメータを最適化する。提案するフレームワークは,複数の周期性の学習の欠如を回避する。ベンチマークと比較すると、提案フレームワークは10ステップ予測における平均絶対誤差と平均平方誤差を、それぞれ90.36%と97.56%で削減する。

関連論文リスト

Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-09T05:41:24Z)
CycleNet: Enhancing Time Series Forecasting through Modeling Periodic Patterns [6.296866390553982]
本稿では、学習可能な繰り返しサイクルを用いてシーケンス内の固有周期パターンをモデル化するResidual Cycle Forecasting(RCF)手法を提案する。 CycleNetは、電気、天気、エネルギーを含む複数の領域で最先端の予測精度を達成し、高い効率性を提供する。新しいプラグアンドプレイ技術として、RCFはPatchTSTやiTransformerといった既存のモデルの予測精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2024-09-27T06:42:22Z)
Time Distributed Deep Learning models for Purely Exogenous Forecasting. Application to Water Table Depth Prediction using Weather Image Time Series [1.4436965372953483]
グラナ・マイラ(IT)における水テーブル深度を予測するための2つの異なるディープラーニングモデルを提案する。画像時系列を扱うために、どちらのモデルも最初のTime Distributed Convolutional Neural Network (TDC) で構成され、各ステップで利用可能な画像をベクトル表現にエンコードする。 TDC-LSTMはバイアスの低減に重点を置いており、TDC-UnPWaveNetは時間的ダイナミクスの最大化とKGEに重点を置いている。
論文参考訳（メタデータ） (2024-09-20T07:25:54Z)
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)
Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文参考訳（メタデータ） (2023-06-09T15:38:25Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。 PCT-CycleGANは画像間翻訳において高い性能を示す。反復予測で最大2時間の信頼性のある予測を提供する。
論文参考訳（メタデータ） (2022-11-28T04:08:55Z)
TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。従来の手法では、1D時系列から直接これを達成しようと試みていた。複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文参考訳（メタデータ） (2022-10-05T12:19:51Z)
PRNet: A Periodic Residual Learning Network for Crowd Flow Forecasting [8.50942649992681]
我々は,クラウドフローデータの周期性をモデル化するための新しい周期的残差学習ネットワーク(PRNet)を考案した。 PRNetは、入力(前の時間)と出力(将来の時間)のずれをモデル化し、周期的残差学習問題として予測する群集フローをフレーム化する。 2つの実世界のデータセットに対する実験結果から、PRNetは精度と堅牢性の両方の観点から最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-12-08T12:04:27Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。