Fugu-MT 論文翻訳(概要): MMformer with Adaptive Transferable Attention: Advancing Multivariate Time Series Forecasting for Environmental Applications

論文の概要: MMformer with Adaptive Transferable Attention: Advancing Multivariate Time Series Forecasting for Environmental Applications

arxiv url: http://arxiv.org/abs/2504.14050v1
Date: Fri, 18 Apr 2025 19:42:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-30 05:38:10.556443
Title: MMformer with Adaptive Transferable Attention: Advancing Multivariate Time Series Forecasting for Environmental Applications
Title（参考訳）: アダプティブトランスファー可能なアテンションを持つMMフォーマー:環境応用のための多変量時系列予測の改善
Authors: Ning Xin, Jionglong Su, Md Maruf Hasan,
Abstract要約: 適応トランスファーブルマルチヘッドアテンション(ATMA)を用いたメタラーニング MTS モデル MMformer を導入する。 MMformerは2018年1月から2021年6月まで、中国の331都市で7つの大気質指標の時系列をモデル化し、予測するために使用されている。気候データセットのTransformerとSARIMAXと比較して,MSE,MAE,MAPEは30%減少し,iTransformerに比べて改善されている。
参考スコア（独自算出の注目度）: 0.8602553195689513
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Environmental crisis remains a global challenge that affects public health and environmental quality. Despite extensive research, accurately forecasting environmental change trends to inform targeted policies and assess prediction efficiency remains elusive. Conventional methods for multivariate time series (MTS) analysis often fail to capture the complex dynamics of environmental change. To address this, we introduce an innovative meta-learning MTS model, MMformer with Adaptive Transferable Multi-head Attention (ATMA), which combines self-attention and meta-learning for enhanced MTS forecasting. Specifically, MMformer is used to model and predict the time series of seven air quality indicators across 331 cities in China from January 2018 to June 2021 and the time series of precipitation and temperature at 2415 monitoring sites during the summer (276 days) from 2012 to 2014, validating the network's ability to perform and forecast MTS data successfully. Experimental results demonstrate that in these datasets, the MMformer model reaching SOTA outperforms iTransformer, Transformer, and the widely used traditional time series prediction algorithm SARIMAX in the prediction of MTS, reducing by 50\% in MSE, 20\% in MAE as compared to others in air quality datasets, reducing by 20\% in MAPE except SARIMAX. Compared with Transformer and SARIMAX in the climate datasets, MSE, MAE, and MAPE are decreased by 30\%, and there is an improvement compared to iTransformer. This approach represents a significant advance in our ability to forecast and respond to dynamic environmental quality challenges in diverse urban and rural environments. Its predictive capabilities provide valuable public health and environmental quality information, informing targeted interventions.
Abstract（参考訳）: 環境危機は、公衆衛生と環境品質に影響を与える世界的な課題である。広範な研究にもかかわらず、目標とする政策を通知し、予測効率を評価するために、環境変化の傾向を正確に予測している。多変量時系列解析の従来の手法は、環境変化の複雑な力学を捉えるのに失敗することが多い。そこで本稿では,MMformer with Adaptive Transferable Multi-head Attention (ATMA) というメタ学習モデルを導入する。具体的には、2018年1月から2021年6月までに中国の331都市で7つの大気質指標の時系列をモデル化し、2012年から2014年までの夏(276日)に2415の観測地点で降水と温度の時系列をモデル化し、予測する。これらの実験結果から, MMformerモデルがiTransformer, Transformer, および広く使用されている従来の時系列予測アルゴリズムSARIMAXをMTSの予測で上回り, MSEでは50%, MAEでは20%, SARIMAXを除くMAPEでは20%低下することがわかった。気候データセットのTransformerとSARIMAXと比較して,MSE,MAE,MAPEは30%減少し,iTransformerに比べて改善されている。このアプローチは、都市・農村の多様な環境において、動的環境品質の課題を予測し、対処する能力において、大きな進歩を示している。その予測能力は、公衆衛生および環境品質の貴重な情報を提供し、標的とする介入を通知する。

関連論文リスト

Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework [5.484147776963721]
本研究では,CNN-LSTMハイブリッドフレームワークに基づく多次元降水指数予測モデルを提案する。このデータセットはインドのマハーラーシュトラ州プーンで1972年から2002年までの月間平均降水量のデータをカバーしている。実験の結果,6.752の根平均二乗誤差(RMSE)が得られた。
論文参考訳（メタデータ） (2025-04-29T05:32:43Z)
A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
ルル環境は高度でスケーラブルな大気汚染予測システムである。エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
論文参考訳（メタデータ） (2025-02-26T10:54:27Z)
Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文参考訳（メタデータ） (2024-12-14T22:09:45Z)
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
LTPNet Integration of Deep Learning and Environmental Decision Support Systems for Renewable Energy Demand Forecasting [5.240979281331069]
本稿では,ディープラーニング技術と環境意思決定支援システムを組み合わせた新しいアプローチを提案する。このモデルはLSTMやTransformerなどの高度なディープラーニング技術とパラメータ最適化のためのPSOアルゴリズムを統合している。結果から,本モデルが様々な指標で大幅な改善を達成できたことが示唆された。
論文参考訳（メタデータ） (2024-10-20T04:53:50Z)
Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
論文参考訳（メタデータ） (2024-09-10T06:16:03Z)
Validating Deep Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
機械学習天気予報モデルとECMWFの高分解能予測システムを比較した。我々は,ML気象予報モデルが,記録破りの太平洋北西部熱波上でHRESと類似の精度を局所的に達成していることを発見した。さらに、HRESとMLモデルのエラーが、そのイベントにどのように構築されるかという構造的な違いも強調します。
論文参考訳（メタデータ） (2024-04-26T18:18:25Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)

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。