論文の概要: Predicting Tropical Cyclone Track Forecast Errors using a Probabilistic Neural Network

• arxiv url: http://arxiv.org/abs/2503.09840v1
• Date: Wed, 12 Mar 2025 21:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:07.679014
• Title: Predicting Tropical Cyclone Track Forecast Errors using a Probabilistic Neural Network
• Title（参考訳）: 確率論的ニューラルネットワークによる熱帯サイクロントラック予測誤差の予測
• Authors: M. A. Fernandez, Elizabeth A. Barnes, Randal J. Barnes, Mark DeMaria, Marie McGraw, Galina Chirokova, Lixin Lu,
• Abstract要約: 熱帯性サイクロントラックの不確かさを推定する新しい手法が提案され, 試験された。 この方法は、ニューラルネットワークを用いて二変量正規分布を予測し、トラックの不確かさを推定する。 我々は,提案手法が現在のNHC手法よりも精度の高い不確実性推定値を生成するとともに,本手法がGlobal Ensemble Forecast Systemと同じような性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.6444687821156797
• License:
• Abstract: A new method for estimating tropical cyclone track uncertainty is presented and tested. This method uses a neural network to predict a bivariate normal distribution, which serves as an estimate for track uncertainty. We train the network and make predictions on forecasts from the National Hurricane Center (NHC), which currently uses static error distributions based on forecasts from the past five years for most applications. The neural network-based method produces uncertainty estimates that are dynamic and probabilistic. Further, the neural network-based method allows for probabilistic statements about tropical cyclone trajectories, including landfall probability, which we highlight. We show that our predictions are well calibrated using multiple metrics, that our method produces better uncertainty estimates than current NHC approaches, and that our method achieves similar performance to the Global Ensemble Forecast System. Once trained, the computational cost of predictions using this method is negligible, making it a strong candidate to improve the NHC's operational estimations of tropical cyclone track uncertainty.
• Abstract（参考訳）: 熱帯性サイクロントラックの不確かさを推定する新しい手法が提案され, 試験された。 この方法は、ニューラルネットワークを用いて二変量正規分布を予測し、トラックの不確かさを推定する。 我々はこのネットワークをトレーニングし、国家ハリケーンセンター(NHC)の予測を予測し、現在、ほとんどのアプリケーションで過去5年間の予測に基づいて静的なエラー分布を使用している。 ニューラルネットワークに基づく手法は、動的で確率的な不確実性推定を生成する。 さらに,ニューラルネットワークを用いた手法により,降着確率を含む熱帯性サイクロン軌道に関する確率論的ステートメントが実現される。 我々は,提案手法が現在のNHC手法よりも精度の高い不確実性推定値を生成すること,また,本手法がGlobal Ensemble Forecast Systemに類似した性能を実現すること,など,複数の指標を用いて予測が適切に調整されていることを示す。 一度訓練すると、この手法による予測の計算コストは無視され、熱帯サイクロン軌道の不確実性に対するNHCの運用推定を改善するための強い候補となる。

関連論文リスト

• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Conformal Prediction Intervals for Neural Networks Using Cross Validation [0.0]
  ニューラルネットワークは、教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。 ニューラルネットワークの予測区間を$k$-foldのクロスバリデーションに基づいて構築するための$k$-fold予測区間法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T16:23:28Z)
• Ensemble methods for neural network-based weather forecasts [0.0]
  我々は,決定論的ニューラルネットワーク天気予報システムをアンサンブル予測システムに変換することを目指している。 ランダムな初期摂動、ニューラルネットワークの再学習、ネットワークにおけるランダムなドロップアウトの使用、特異ベクトル分解による初期摂動の生成の4つの方法をテストする。
  論文  参考訳（メタデータ） (2020-02-13T09:28:21Z)

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。