論文の概要: CTP: A hybrid CNN-Transformer-PINN model for ocean front forecasting

• arxiv url: http://arxiv.org/abs/2505.10894v1
• Date: Fri, 16 May 2025 06:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.185108
• Title: CTP: A hybrid CNN-Transformer-PINN model for ocean front forecasting
• Title（参考訳）: CTP:海洋前線予測のためのハイブリッドCNN-Transformer-PINNモデル
• Authors: Yishuo Wang, Feng Zhou, Muping Zhou, Qicheng Meng, Zhijun Hu, Yi Wang,
• Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN),トランスフォーマーアーキテクチャ,物理インフォームドニューラルネットワーク(PINN)を統合した新しい深層学習フレームワークを提案する。 南シナ海(SCS)と黒潮(KUR)地域の1993年から2020年にかけての実験結果から,一段・多段の予測において,最先端(SOTA)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）: 6.345808397405795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes CTP, a novel deep learning framework that integrates convolutional neural network(CNN), Transformer architectures, and physics-informed neural network(PINN) for ocean front prediction. Ocean fronts, as dynamic interfaces between distinct water masses, play critical roles in marine biogeochemical and physical processes. Existing methods such as LSTM, ConvLSTM, and AttentionConv often struggle to maintain spatial continuity and physical consistency over multi-step forecasts. CTP addresses these challenges by combining localized spatial encoding, long-range temporal attention, and physical constraint enforcement. Experimental results across south China sea(SCS) and Kuroshio(KUR) regions from 1993 to 2020 demonstrate that CTP achieves state-of-the-art(SOTA) performance in both single-step and multi-step predictions, significantly outperforming baseline models in accuracy, $F_1$ score, and temporal stability.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(CNN),トランスフォーマーアーキテクチャ,物理インフォームドニューラルネットワーク(PINN)を統合した新しい深層学習フレームワークであるCTPを提案する。 海洋前線は、異なる水域間の動的界面として、海洋生物地球化学的および物理的過程において重要な役割を担っている。 LSTM、ConvLSTM、AttentionConvといった既存の手法は、多段階予測よりも空間的連続性と物理的整合性を維持するのにしばしば苦労する。 CTPは、局所化された空間符号化、長距離時間的注意、物理的制約執行を組み合わせることで、これらの課題に対処する。 南シナ海(SCS)と黒潮(KUR)地域での1993年から2020年にかけての実験結果から,CTPは単一ステップおよび複数ステップの予測において最先端(SOTA)性能を達成し,ベースラインモデルの精度,F_1$スコア,時間的安定性を著しく上回った。

関連論文リスト

• Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years [4.591672124307768]
  PTSTnetは24ヶ月を超えるリードタイムで最先端のベンチマークを著しく上回り、解釈可能な予測を生成する。 私たちの成功は、革新的なニューラルオーシャンモデリングに関する解釈可能な洞察において、大きな一歩を踏み出します。
  論文  参考訳（メタデータ） (2025-03-27T06:55:29Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法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） (2025-03-06T21:21:15Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution and Transformer Networks [47.60320586459432]
  ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。 本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。 ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-16T12:12:31Z)
• OceanNet: A principled neural operator-based digital twin for regional oceans [0.0]
  本研究は、海洋循環のための原理的ニューラルオペレーターベースのデジタルツインであるOceanNetを紹介する。 オーシャンネットは北西大西洋西部境界流(ガルフストリーム)に適用される
  論文  参考訳（メタデータ） (2023-10-01T23:06:17Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
  本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。 これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-04T16:35:58Z)
• Kinematically consistent recurrent neural networks for learning inverse problems in wave propagation [0.0]
  そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。 特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。 控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
  論文  参考訳（メタデータ） (2021-10-08T05:51:32Z)
• Identification of hydrodynamic instability by convolutional neural networks [5.065265250700039]
  流体力学的不安定性の発生は、産業と日常生活の両方において非常に重要である。 最新の機械学習技術、特に畳み込みニューラルネットワーク(CNN)は、流体力学的不安定性によって引き起こされる異なる流れの動きの遷移を識別するために用いられる。 CNNはテイラー・クーエット流(TC)およびレイリー・ブエナード対流(RB)の様々な設定と条件下での臨界遷移値を正確に予測するだけでなく、ロバスト性や耐雑音性にも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-02T08:32:08Z)

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。