Fugu-MT 論文翻訳(概要): APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting

論文の概要: APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting

arxiv url: http://arxiv.org/abs/2412.06835v1
Date: Sat, 07 Dec 2024 03:02:16 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:38:51.961077
Title: APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting
Title（参考訳）: APS-LSTM:Flood Forecastingのための多周期・多次元空間依存性の爆発
Authors: Jun Feng, Xueyi Liu, Jiamin Lu, Pingping Shao,
Abstract要約: 本稿では,LSTM(APS-LSTM)に基づく適応型周期的空間的自己認識手法を提案する。 APS-LSTMは、多周期性の観点から時間的特徴を学習し、異なる周期分割から様々な空間的依存関係をキャプチャする。 2つの実世界のデータセットの実験は、APS-LSTMの優位性を示している。
参考スコア（独自算出の注目度）: 2.9323021258126856
License:
Abstract: Accurate flood prediction is crucial for disaster prevention and mitigation. Hydrological data exhibit highly nonlinear temporal patterns and encompass complex spatial relationships between rainfall and flow. Existing flood prediction models struggle to capture these intricate temporal features and spatial dependencies. This paper presents an adaptive periodic and spatial self-attention method based on LSTM (APS-LSTM) to address these challenges. The APS-LSTM learns temporal features from a multi-periodicity perspective and captures diverse spatial dependencies from different period divisions. The APS-LSTM consists of three main stages, (i) Multi-Period Division, that utilizes Fast Fourier Transform (FFT) to divide various periodic patterns; (ii) Spatio-Temporal Information Extraction, that performs periodic and spatial self-attention focusing on intra- and inter-periodic temporal patterns and spatial dependencies; (iii) Adaptive Aggregation, that relies on amplitude strength to aggregate the computational results from each periodic division. The abundant experiments on two real-world datasets demonstrate the superiority of APS-LSTM. The code is available: https://github.com/oopcmd/APS-LSTM.
Abstract（参考訳）: 正確な洪水予測は防災と緩和に不可欠である。水文学データは、非常に非線形な時間パターンを示し、降雨と流れの間の複雑な空間的関係を包含する。既存の洪水予測モデルは、これらの複雑な時間的特徴と空間的依存関係を捉えるのに苦労する。本稿では,LSTM(APS-LSTM)に基づく適応型周期的空間的自己認識手法を提案する。 APS-LSTMは、多周期性の観点から時間的特徴を学習し、異なる周期分割から様々な空間的依存関係をキャプチャする。 APS-LSTMは3つの主要なステージから構成される。一高速フーリエ変換(FFT)を用いて各種周期パターンを分割する多機能分割二時空間的時間的パターン及び空間的依存関係に着目して、周期的かつ空間的自己注意を行う時空間情報抽出 3)各周期分割の計算結果を集約するために振幅強度に依存する適応的集約。 2つの実世界のデータセットに関する豊富な実験は、APS-LSTMの優位性を示している。コードはhttps://github.com/oopcmd/APS-LSTM.comで入手できる。

関連論文リスト

Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文参考訳（メタデータ） (2024-11-14T07:34:31Z)
STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM [18.56267873980915]
STD-PLMは時空間予測と計算処理の両方を実装できる。 STD-PLMは、明示的に設計された空間的および時間的トークン化器を通して空間的時間的相関を理解する。 STD-PLMは予測タスクと計算タスクの競合性能と一般化能力を示す。
論文参考訳（メタデータ） (2024-07-12T08:48:16Z)
Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
A Decoupled Spatio-Temporal Framework for Skeleton-based Action Segmentation [89.86345494602642]
既存の手法は、弱い時間的モデリング能力に制限されている。この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。 DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
論文参考訳（メタデータ） (2023-12-10T09:11:39Z)
MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time Series Anomaly Detection [37.1803255271591]
マルチモーダル時系列(MTS)異常検出は,作業機器の安全性と安定性を維持する上で重要である。近年の深層学習法は異常検出に大きな可能性を示しているが,空間的・時間的関係を明示的に捉えていない。この問題に対処するためのマルチモーダル時空間グラフアテンションネットワーク(MST-GAT)を提案する。
論文参考訳（メタデータ） (2023-10-17T11:37:40Z)
Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文参考訳（メタデータ） (2023-09-11T08:44:07Z)
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文参考訳（メタデータ） (2023-07-17T11:04:27Z)
Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction [36.77135502344546]
本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。 4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2022-12-07T10:02:01Z)
Spatial-Temporal Feature Extraction and Evaluation Network for Citywide Traffic Condition Prediction [1.321203201549798]
二重層-時空間特徴抽出・評価モデル(DL-STFEE)を提案する。 3つの実験セットが実際の交通データセット上で実施され、DL-STFEEが空間的特徴を効果的に捉えることができることを示す。
論文参考訳（メタデータ） (2022-07-22T12:15:41Z)
DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting [83.60876685008225]
PTS予測のための深層拡張学習フレームワークDEPTSを導入する。 DEPTSは、周期状態を隠れ変数として導入することで、分離された定式化から始まる。我々の2つのカスタマイズされたモジュールは、局所的なモーメントまたはグローバルな周期性に予測を帰属させるなど、ある程度の解釈可能な能力を持っている。
論文参考訳（メタデータ） (2022-03-15T06:51:58Z)
Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。