論文の概要: QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting
- arxiv url: http://arxiv.org/abs/2501.10866v1
- Date: Sat, 18 Jan 2025 20:18:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:21:37.288282
- Title: QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting
- Title(参考訳): QGAPHアンサンブル : 短期気象予報のための適応重み付けによるハイブリッドQLSTMネットワークアンサンブルの組み合わせ
- Authors: Anuvab Sen, Udayon Sen, Mayukhi Paul, Apurba Prasad Padhy, Sujith Sai, Aakash Mallik, Chhandak Mallick,
- Abstract要約: 本研究は,高度な機械学習技術を用いた実践的有効性を強調した。
本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。
本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Accurate weather forecasting holds significant importance, serving as a crucial tool for decision-making in various industrial sectors. The limitations of statistical models, assuming independence among data points, highlight the need for advanced methodologies. The correlation between meteorological variables necessitate models capable of capturing complex dependencies. This research highlights the practical efficacy of employing advanced machine learning techniques proposing GenHybQLSTM and BO-QEnsemble architecture based on adaptive weight adjustment strategy. Through comprehensive hyper-parameter optimization using hybrid quantum genetic particle swarm optimisation algorithm and Bayesian Optimization, our model demonstrates a substantial improvement in the accuracy and reliability of meteorological predictions through the assessment of performance metrics such as MSE (Mean Squared Error) and MAPE (Mean Absolute Percentage Prediction Error). The paper highlights the importance of optimized ensemble techniques to improve the performance the given weather forecasting task.
- Abstract(参考訳): 正確な天気予報は重要であり、様々な産業分野における意思決定の重要なツールとなっている。
データポイント間の独立性を想定した統計モデルの制限は、高度な方法論の必要性を浮き彫りにする。
気象変数間の相関は、複雑な依存関係をキャプチャできるモデルを必要とする。
本研究は、適応重み調整戦略に基づくGenHybQLSTMとBO-QEnsembleアーキテクチャを提案する高度な機械学習技術を用いた実用的有効性を強調した。
MSE (Mean Squared Error) やMAPE (Mean Absolute Percentage Prediction Error) などの性能指標を評価することにより, 気象予測の精度と信頼性を大幅に向上することを示す。
本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
関連論文リスト
- A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳(メタデータ) (2024-12-18T14:11:15Z) - Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。
データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文 参考訳(メタデータ) (2024-11-30T10:56:30Z) - A Hybrid Sampling and Multi-Objective Optimization Approach for Enhanced Software Defect Prediction [3.407555189785573]
本稿では,ハイブリッドサンプリング技術と多目的最適化アルゴリズムを組み合わせた新しいSDPフレームワークを提案する。
提案モデルは,多目的最適化による特徴融合を適用し,一般化能力と予測の安定性を両立させる。
NASAとPROMISEリポジトリのデータセットで実施された実験は、提案されたハイブリッドサンプリングと多目的最適化アプローチがデータのバランスを改善し、冗長な特徴を排除し、予測精度を高めることを示した。
論文 参考訳(メタデータ) (2024-10-13T23:39:04Z) - A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions [2.531156266686649]
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。
論文 参考訳(メタデータ) (2024-08-28T06:07:58Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳(メタデータ) (2024-07-28T19:18:59Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - 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) - 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) - 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) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳(メタデータ) (2022-09-27T07:58:25Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳(メタデータ) (2020-11-25T09:17:07Z)
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。