論文の概要: Identifying Spatio-Temporal Drivers of Extreme Events

• arxiv url: http://arxiv.org/abs/2410.24075v1
• Date: Thu, 31 Oct 2024 16:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:01:38.282626
• Title: Identifying Spatio-Temporal Drivers of Extreme Events
• Title（参考訳）: 極端事象の時空間ドライバの同定
• Authors: Mohamad Hakam Shams Eddin, Juergen Gall,
• Abstract要約: 本稿では,物理入力におけるエクストリームとドライバを共同で予測する手法を提案する。 ネットワークは、特定されたドライバの変数時間的バイナリマスクから極端を予測することで、極端と相関するドライバをうまく識別する。 我々は、リモートセンシングまたはリアナリシスデータに基づく3つの新しいベンチマークと、2つの実世界のリアナリシスデータセットに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 13.560983164482884
• License:
• Abstract: The spatio-temporal relations of impacts of extreme events and their drivers in climate data are not fully understood and there is a need of machine learning approaches to identify such spatio-temporal relations from data. The task, however, is very challenging since there are time delays between extremes and their drivers, and the spatial response of such drivers is inhomogeneous. In this work, we propose a first approach and benchmarks to tackle this challenge. Our approach is trained end-to-end to predict spatio-temporally extremes and spatio-temporally drivers in the physical input variables jointly. By enforcing the network to predict extremes from spatio-temporal binary masks of identified drivers, the network successfully identifies drivers that are correlated with extremes. We evaluate our approach on three newly created synthetic benchmarks, where two of them are based on remote sensing or reanalysis climate data, and on two real-world reanalysis datasets. The source code and datasets are publicly available at the project page https://hakamshams.github.io/IDE.
• Abstract（参考訳）: 気候データにおける極端な事象とその要因の影響の時空間的関係は、完全には理解されておらず、データからそのような時空間的関係を特定するための機械学習アプローチが必要である。 しかし、エクストリームとドライバの間には時間的遅延があり、そのようなドライバの空間的応答は不均一であるため、このタスクは非常に難しい。 本研究では,この課題に対処するための最初のアプローチとベンチマークを提案する。 我々のアプローチは、物理的入力変数の時空間の時空間と時空間のドライバを協調的に予測するために、エンドツーエンドで訓練されている。 このネットワークは、特定されたドライバーの時空間二元マスクから極端を予測することで、極端と相関するドライバーをうまく識別する。 そこでは、リモートセンシングまたは再分析気候データと、2つの実世界の再分析データセットに基づく。 ソースコードとデータセットはプロジェクトのページhttps://hakamshams.github.io/IDEで公開されている。

関連論文リスト

• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Test-Time Compensated Representation Learning for Extreme Traffic Forecasting [13.859278899032846]
  混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。 既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。 マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-16T18:46:34Z)
• Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in Autonomous Vehicle Safety [3.3659635625913564]
  我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。 このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。 畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
  論文  参考訳（メタデータ） (2023-07-11T14:28:33Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Graph Convolutional Networks for Traffic Forecasting with Missing Values [0.5774786149181392]
  時空間における複雑な欠落値を扱うことのできるグラフ畳み込みネットワークモデルを提案する。 学習した局所的特徴に基づく動的グラフ学習モジュールも提案する。 実生活データセットに対する実験結果から,提案手法の信頼性が示された。
  論文  参考訳（メタデータ） (2022-12-13T08:04:38Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network for Traffic Prediction [4.302265301004301]
  高カバレッジの検出器は、経路計画や交通渋滞の回避において、道路利用者にとって直接的かつ遠回りの利点がある。 これらのデータを活用すると、動的時間的相関、道路条件の変化による動的空間的相関など、ユニークな課題が提示される。 本稿では,Transformer が拡張した DetectorNet を提案し,これらの課題に対処する。
  論文  参考訳（メタデータ） (2021-10-19T03:47:38Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and Trajectory Prediction [24.855059537779294]
  本稿では、新しいエンドツーエンド2段階ネットワーク:spatio--Interactive Network(STINet)を提案する。 歩行者の3次元形状に加えて,歩行者ごとの時間情報をモデル化する。 提案手法は,1段目における現在位置と過去の位置の両方を予測し,各歩行者をフレーム間でリンクできるようにする。
  論文  参考訳（メタデータ） (2020-05-08T18:43:01Z)

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。