論文の概要: Science Time Series: Deep Learning in Hydrology

• arxiv url: http://arxiv.org/abs/2410.15218v1
• Date: Sat, 19 Oct 2024 21:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:36.596349
• Title: Science Time Series: Deep Learning in Hydrology
• Title（参考訳）: 科学時系列:水文学の深層学習
• Authors: Junyang He, Ying-Jung Chen, Anushka Idamekorala, Geoffrey Fox,
• Abstract要約: 降雨と流出に関するCAMELSとCaravanのグローバルデータセットを用いて,水文学時系列を解析した。 この分析は完全にオープンソースで、Google Colab上で実行されているJupyter NotebookはLSTMベースの分析とデータエンジニアリング前処理の両方に対応している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This research is part of a systematic study of scientific time series. In the last three years, hundreds of papers and over fifty new deep-learning models have been described for time series models. These mainly focus on the key aspect of time dependence, whereas in some scientific time series, the situation is more complex with multiple locations, each location having multiple observed and target time-dependent streams and multiple exogenous (known) properties that are either constant or time-dependent. Here, we analyze the hydrology time series using the CAMELS and Caravan global datasets on catchment rainfall and runoff. Together, these have up to 6 observed streams and up to 209 static parameters defined at each of about 8000 locations. This analysis is fully open source with a Jupyter Notebook running on Google Colab for both an LSTM-based analysis and the data engineering preprocessing. Our goal is to investigate the importance of exogenous data, which we look at using eight different choices on representative hydrology tasks. Increasing the exogenous information significantly improves the data representation, with the mean square error decreasing to 60% of its initial value in the largest dataset examined. We present the initial results of studies of other deep-learning neural network architectures where the approaches that can use the full observed and exogenous observations outperform less flexible methods, including Foundation models. Using the natural annual periodic exogenous time series produces the largest impact, but the static and other periodic exogenous streams are also important. Our analysis is intended to be valuable as an educational resource and benchmark.
• Abstract（参考訳）: この研究は、科学的時系列の体系的研究の一部である。 過去3年間で、何百もの論文と50以上の新しいディープラーニングモデルが時系列モデルで記述されている。 これらは主に時間依存の重要な側面に焦点をあてるが、いくつかの科学的時系列では、状況は複数の場所とより複雑であり、それぞれの場所は観測された複数の時間依存ストリームと、一定または時間依存の複数の外因性(既知の)特性を持つ。 本稿では,CAMELS と Caravan のグローバルデータセットを用いて,降雨・流出時の水文学時系列を解析した。 これらを合わせて、最大6つの観測ストリームと、約8000箇所で定義された最大209の静的パラメータを持つ。 この分析は完全にオープンソースで、Google Colab上で実行されているJupyter NotebookはLSTMベースの分析とデータエンジニアリング前処理の両方に対応している。 本研究の目的は, 代表的な水文学タスクにおいて, 8つの異なる選択肢を用いて, 外来データの重要性を検討することである。 その結果,外因性情報の増加はデータ表現を著しく改善し,最大データセットでは平均2乗誤差が初期値の60%に低下した。 本稿では,他のディープラーニングニューラルネットワークアーキテクチャの研究成果について述べる。このアーキテクチャでは,観測および外因性観測をフル活用するアプローチは,ファンデーションモデルを含む柔軟性の低い手法よりも優れている。 自然の周期的外因性時系列は最も大きな影響をもたらすが、静的およびその他の周期的外因性ストリームもまた重要である。 私たちの分析は、教育資源とベンチマークとして価値があることを意図しています。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Data Augmentation techniques in time series domain: A survey and taxonomy [0.20971479389679332]
  時系列を扱うディープニューラルネットワークは、トレーニングで使用されるデータセットのサイズと一貫性に大きく依存する。 この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。 本研究の究極的な目的は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能を概説することである。
  論文  参考訳（メタデータ） (2022-06-25T17:09:00Z)
• Structured Time Series Prediction without Structural Prior [0.152292571922932]
  時系列予測は、多くの領域の応用において広くよく研究されている問題である。 このようなグラフに依存しない完全データ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-07T22:01:58Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• An Experimental Review on Deep Learning Architectures for Time Series Forecasting [0.0]
  時系列予測のための最も広範な深層学習研究を提供する。 すべての研究モデルの中で、結果は、長期短期記憶(LSTM)と畳み込みネットワーク(CNN)が最良の代替手段であることを示しています。 CNNは、異なるパラメータ設定の下で結果の変動が少なく、比較性能を達成し、効率も向上します。
  論文  参考訳（メタデータ） (2021-03-22T17:58:36Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。