論文の概要: WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia

• arxiv url: http://arxiv.org/abs/2504.06532v1
• Date: Wed, 09 Apr 2025 02:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:07:19.143618
• Title: WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia
• Title（参考訳）: WaveHiTS:東モンゴルにおける風向予測のためのウェーブレット強化階層時系列モデリング
• Authors: Hailong Shu, Weiwei Song, Yue Wang, Jiping Zhang,
• Abstract要約: 本稿では、ウェーブレット変換とニューラル階層型時系列補間を組み合わせた新しいモデルWaveHiTSを提案する。 提案手法は風向をU-V成分に分解し,ウェーブレット変換を用いてマルチスケールの周波数パターンを捕捉し,階層構造を用いて時間依存性をモデル化する。 中国内モンゴルからの実世界気象データを用いて行った実験では、WaveHiTSがディープラーニングモデルを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 3.1789338656073305
• License:
• Abstract: Wind direction forecasting plays a crucial role in optimizing wind energy production, but faces significant challenges due to the circular nature of directional data, error accumulation in multi-step forecasting, and complex meteorological interactions. This paper presents a novel model, WaveHiTS, which integrates wavelet transform with Neural Hierarchical Interpolation for Time Series to address these challenges. Our approach decomposes wind direction into U-V components, applies wavelet transform to capture multi-scale frequency patterns, and utilizes a hierarchical structure to model temporal dependencies at multiple scales, effectively mitigating error propagation. Experiments conducted on real-world meteorological data from Inner Mongolia, China demonstrate that WaveHiTS significantly outperforms deep learning models (RNN, LSTM, GRU), transformer-based approaches (TFT, Informer, iTransformer), and hybrid models (EMD-LSTM). The proposed model achieves RMSE values of approximately 19.2{\deg}-19.4{\deg} compared to 56{\deg}-64{\deg} for deep learning recurrent models, maintaining consistent accuracy across all forecasting steps up to 60 minutes ahead. Moreover, WaveHiTS demonstrates superior robustness with vector correlation coefficients (VCC) of 0.985-0.987 and hit rates of 88.5%-90.1%, substantially outperforming baseline models. Ablation studies confirm that each component-wavelet transform, hierarchical structure, and U-V decomposition-contributes meaningfully to overall performance. These improvements in wind direction nowcasting have significant implications for enhancing wind turbine yaw control efficiency and grid integration of wind energy.
• Abstract（参考訳）: 風向予測は風力エネルギー生産の最適化において重要な役割を担っているが、方向データの円形の性質、多段階予測における誤差蓄積、複雑な気象相互作用によって大きな課題に直面している。 本稿では、これらの課題に対処するために、ウェーブレット変換とニューラル階層的時系列補間を統合した新しいモデルWaveHiTSを提案する。 提案手法は風向をU-V成分に分解し、ウェーブレット変換を用いてマルチスケールの周波数パターンを捕捉し、階層構造を用いて複数スケールの時間依存性をモデル化し、エラー伝搬を効果的に軽減する。 中国内モンゴルの実際の気象データを用いて行った実験では、WaveHiTSは深層学習モデル(RNN、LSTM、GRU)、トランスフォーマーベースのアプローチ(TFT、Informer、iTransformer)、ハイブリッドモデル(EMD-LSTM)を大きく上回っている。 提案モデルでは, 56{\deg}-64{\deg} と比較して約19.2{\deg}-19.4{\deg} のRMSE値が得られた。 さらに、WaveHiTS は 0.985-0.987 のベクトル相関係数 (VCC) と88.5%-90.1% のヒット率で、実質的にはベースラインモデルよりも優れたロバスト性を示す。 アブレーション研究は、各成分-ウェーブレット変換、階層構造、U-V分解が全体的な性能に有意義に寄与することを確認する。 これらの風向流し込みの改善は、風力タービンヨー制御効率の向上と風力エネルギーのグリッド統合に重要な意味を持つ。

関連論文リスト

• STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting [5.003934238878358]
  風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-16T02:43:29Z)
• Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
  既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。 対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。 クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
  論文  参考訳（メタデータ） (2024-12-03T09:16:13Z)
• Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization [37.35829410807451]
  本稿では,逆流マッチング最適化による高忠実かつ高効率な波形生成モデルである PeriodWave-Turbo を提案する。 さまざまな客観的メトリクスで最先端のパフォーマンスを達成するには、1,000ステップの微調整しか必要ありません。 PeriodWave のバックボーンを 29M から 70M のパラメータにスケールアップすることで、一般化を改善することで、 PeriodWave-Turbo は前例のない性能を実現している。
  論文  参考訳（メタデータ） (2024-08-15T08:34:00Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms [17.901334082943077]
  GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。 GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。 地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
  論文  参考訳（メタデータ） (2023-05-19T08:50:58Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャ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） (2020-07-27T17:30:49Z)

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。