論文の概要: A Novel Framework for Significant Wave Height Prediction based on Adaptive Feature Extraction Time-Frequency Network

• arxiv url: http://arxiv.org/abs/2505.06688v1
• Date: Sat, 10 May 2025 16:25:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.990643
• Title: A Novel Framework for Significant Wave Height Prediction based on Adaptive Feature Extraction Time-Frequency Network
• Title（参考訳）: 適応的特徴抽出時間周波数ネットワークに基づく有意波高予測のための新しいフレームワーク
• Authors: Jianxin Zhang, Lianzi Jiang, Xinyu Han, Xiangrong Wang,
• Abstract要約: 適応的特徴抽出時間周波数ネットワーク(AFE-TFNet)を提案する。 エンコーダとデコーダのローリングフレームワークであり、機能抽出と機能融合の2段階がある。 その結果, AFE-TFNet は予測精度でベンチマーク手法を著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 5.7146098061920885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise forecasting of significant wave height (Hs) is essential for the development and utilization of wave energy. The challenges in predicting Hs arise from its non-linear and non-stationary characteristics. The combination of decomposition preprocessing and machine learning models have demonstrated significant effectiveness in Hs prediction by extracting data features. However, decomposing the unknown data in the test set can lead to data leakage issues. To simultaneously achieve data feature extraction and prevent data leakage, a novel Adaptive Feature Extraction Time-Frequency Network (AFE-TFNet) is proposed to improve prediction accuracy and stability. It is encoder-decoder rolling framework. The encoder consists of two stages: feature extraction and feature fusion. In the feature extraction stage, global and local frequency domain features are extracted by combining Wavelet Transform (WT) and Fourier Transform (FT), and multi-scale frequency analysis is performed using Inception blocks. In the feature fusion stage, time-domain and frequency-domain features are integrated through dominant harmonic sequence energy weighting (DHSEW). The decoder employed an advanced long short-term memory (LSTM) model. Hourly measured wind speed (Ws), dominant wave period (DPD), average wave period (APD) and Hs from three stations are used as the dataset, and the four metrics are employed to evaluate the forecasting performance. Results show that AFE-TFNet significantly outperforms benchmark methods in terms of prediction accuracy. Feature extraction can significantly improve the prediction accuracy. DHSEW has substantially increased the accuracy of medium-term to long-term forecasting. The prediction accuracy of AFE-TFNet does not demonstrate significant variability with changes of rolling time window size. Overall, AFE-TFNet shows strong potential for handling complex signal forecasting.
• Abstract（参考訳）: 波高(Hs)の高精度予測は,波力エネルギーの発達と利用に不可欠である。 Hsを予測する際の課題は、その非線形特性と非定常特性から生じる。 分解前処理と機械学習モデルの組み合わせは,データ特徴抽出によるHs予測において有意な効果を示した。 しかし、テストセットで未知のデータを分解すると、データ漏洩の問題が発生する可能性がある。 データの特徴抽出とデータ漏洩防止を同時に実現するために,予測精度と安定性を向上させるために,新しい適応特徴抽出時間周波数ネットワーク(AFE-TFNet)を提案する。 エンコーダ-デコーダローリングフレームワークである。 エンコーダは、特徴抽出と特徴融合の2段階からなる。 特徴抽出段階では、ウェーブレット変換(WT)とフーリエ変換(FT)を組み合わせてグローバルおよび局所周波数領域の特徴を抽出し、インセプションブロックを用いてマルチスケール周波数解析を行う。 特徴融合段階では、時間領域と周波数領域の特徴は支配的な調和配列エネルギー重み付け(DHSEW)によって統合される。 デコーダは高度な長短メモリ(LSTM)モデルを採用した。 本データセットは, 風速(Ws), 支配波周期(DPD), 平均波周期(APD), 平均波周期(APD), 平均波周期(Hs)を用いて, 予測性能を評価する。 その結果,AFE-TFNetは予測精度でベンチマーク手法を著しく上回っていることがわかった。 特徴抽出は予測精度を大幅に向上させることができる。 DHSEWは中期から長期の予測精度を大幅に向上させた。 AFE-TFNetの予測精度は, 圧延時間ウィンドウサイズの変化に伴う大きな変動を示すものではない。 全体として、AFE-TFNetは複雑な信号予測を扱う強力な可能性を示している。

関連論文リスト

• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
  PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
  論文  参考訳（メタデータ） (2025-02-27T22:21:27Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting [0.0]
  本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。 我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
  論文  参考訳（メタデータ） (2024-08-20T15:42:10Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Towards physically consistent data-driven weather forecasting: Integrating data assimilation with equivariance-preserving deep spatial transformers [2.7998963147546148]
  一般的なデータ駆動天気予報モデルと統合する3つのコンポーネントを提案する。 これらのコンポーネントは,1) 等価性を維持するためにU-NETの潜伏空間に付加された深部空間トランスフォーマー,2) ノイズ観測を取り込み,次の予測に対する初期条件を改善するデータ同化アルゴリズム,3) 複数段階のアルゴリズムにより,短時間で予測の精度が向上する。
  論文  参考訳（メタデータ） (2021-03-16T23:15:00Z)

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。