論文の概要: Generating ensembles of spatially-coherent in-situ forecasts using flow matching

• arxiv url: http://arxiv.org/abs/2504.03463v1
• Date: Fri, 04 Apr 2025 14:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:47:17.448857
• Title: Generating ensembles of spatially-coherent in-situ forecasts using flow matching
• Title（参考訳）: フローマッチングを用いた空間的コヒーレントなその場予測のアンサンブル生成
• Authors: David Landry, Claire Monteleoni, Anastase Charantonis,
• Abstract要約: 天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.3721016050171826
• License:
• Abstract: We propose a machine-learning-based methodology for in-situ weather forecast postprocessing that is both spatially coherent and multivariate. Compared to previous work, our Flow MAtching Postprocessing (FMAP) better represents the correlation structures of the observations distribution, while also improving marginal performance at the stations. FMAP generates forecasts that are not bound to what is already modeled by the underlying gridded prediction and can infer new correlation structures from data. The resulting model can generate an arbitrary number of forecasts from a limited number of numerical simulations, allowing for low-cost forecasting systems. A single training is sufficient to perform postprocessing at multiple lead times, in contrast with other methods which use multiple trained networks at generation time. This work details our methodology, including a spatial attention transformer backbone trained within a flow matching generative modeling framework. FMAP shows promising performance in experiments on the EUPPBench dataset, forecasting surface temperature and wind gust values at station locations in western Europe up to five-day lead times.
• Abstract（参考訳）: 本稿では,空間的コヒーレントかつ多変量性を持つ,その場で天気予報を行う機械学習手法を提案する。 従来と比べ,フロー・マッチング・ポストプロセッシング(FMAP)は観測分布の相関構造をよりよく表現し,局の限界性能も向上した。 FMAPは、下層のグリッド化された予測によって既にモデル化されているものに縛られない予測を生成し、データから新しい相関構造を推測することができる。 得られたモデルは、限られた数の数値シミュレーションから任意の数の予測を生成することができ、低コストな予測システムを実現することができる。 単一のトレーニングは、複数のトレーニングされたネットワークを世代毎に使用する他の方法と対照的に、複数のリードタイムで後処理を実行するのに十分である。 本研究は,フローマッチング生成モデルフレームワークでトレーニングされた空間的注意変換器のバックボーンを含む,我々の方法論を詳述する。 FMAPは、EUPPBenchデータセットの実験で有望な性能を示し、西ヨーロッパのステーションで最大5日間のリードタイムで表面温度と風速を予測した。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison [0.0]
  系統的な誤りを正すためにアンサンブルの天気予報を後処理することは、研究や運用において標準的な慣行となっている。 本稿では,確率論的風速予測のための8つの統計的および機械学習手法の総合的なレビューと体系的比較を行う。 本稿では,様々な確率予測型を出力とする局所適応型ニューラルネットワークの柔軟なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-17T14:03:29Z)
• Deep learning-based multi-output quantile forecasting of PV generation [34.51430520593065]
  本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。 Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。 モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
  論文  参考訳（メタデータ） (2021-06-02T16:28:10Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。