論文の概要: Solar Flare Prediction Using LSTM and DLSTM with Sliding Window Pattern Recognition

• arxiv url: http://arxiv.org/abs/2507.05313v1
• Date: Mon, 07 Jul 2025 13:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.260798
• Title: Solar Flare Prediction Using LSTM and DLSTM with Sliding Window Pattern Recognition
• Title（参考訳）: スライディングウィンドウパターン認識を用いたLSTMとDLSTMを用いた太陽フレア予測
• Authors: Zeinab Hassani, Davud Mohammadpur, Hossein Safari,
• Abstract要約: データセットは2003年から2023年までで、151,071のフレアイベントを含む。 スライディングウインドー技術は、不規則および規則化されたフレア時系列の時間準パターンを検出するために用いられる。 LSTMとDLSTMモデルは不規則時系列からのピークフラックスと待ち時間のシーケンスに基づいてトレーニングされ、LSTMとDLSTMはアンサンブルアプローチと統合され、3時間間隔の正規化時系列のスライディングウィンドウに適用される。 正規化された時系列に対するアンサンブルアプローチによるDLSTMは他のモデルよりも優れており、不規則な時系列で訓練されたモデルと比較して誤りが少なく、より正確な大きめの予測を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the use of Long Short-Term Memory (LSTM) and Decomposition-LSTM (DLSTM) networks, combined with an ensemble algorithm, to predict solar flare occurrences using time-series data from the GOES catalog. The dataset spans from 2003 to 2023 and includes 151,071 flare events. Among approximately possible patterns, 7,552 yearly pattern windows are identified, highlighting the challenge of long-term forecasting due to the Sun's complex, self-organized criticality-driven behavior. A sliding window technique is employed to detect temporal quasi-patterns in both irregular and regularized flare time series. Regularization reduces complexity, enhances large flare activity, and captures active days more effectively. To address class imbalance, resampling methods are applied. LSTM and DLSTM models are trained on sequences of peak fluxes and waiting times from irregular time series, while LSTM and DLSTM, integrated with an ensemble approach, are applied to sliding windows of regularized time series with a 3-hour interval. Performance metrics, particularly TSS (0.74), recall (0.95) and the area under the curve (AUC=0.87) in the receiver operating characteristic (ROC), indicate that DLSTM with an ensemble approach on regularized time series outperforms other models, offering more accurate large-flare forecasts with fewer false errors compared to models trained on irregular time series. The superior performance of DLSTM is attributed to its ability to decompose time series into trend and seasonal components, effectively isolating random noise. This study underscores the potential of advanced machine learning techniques for solar flare prediction and highlights the importance of incorporating various solar cycle phases and resampling strategies to enhance forecasting reliability.
• Abstract（参考訳）: GOESカタログの時系列データを用いて,Long Short-Term Memory (LSTM) と Decomposition-LSTM (DLSTM) ネットワークとアンサンブルアルゴリズムを組み合わせて太陽フレアの発生を予測する。 データセットは2003年から2023年までで、151,071のフレアイベントを含む。 およそのパターンの中で、毎年7,552のパターンウィンドウが識別され、太陽の複雑で自己組織化された臨界駆動行動による長期的な予測の課題が浮き彫りにされている。 不規則および規則化されたフレア時系列の時間準パターンを検出するためにスライディングウインドウ手法を用いる。 規則化は複雑さを減少させ、大きなフレア活性を高め、より効果的に活動日を捕獲する。 クラス不均衡に対処するため、再サンプリング手法が適用される。 LSTMとDLSTMモデルは不規則時系列からのピークフラックスと待ち時間のシーケンスに基づいてトレーニングされ、LSTMとDLSTMはアンサンブルアプローチと統合され、3時間間隔の正規化時系列のスライディングウィンドウに適用される。 特にTSS (0.74)、リコール (0.95)、レシーバー操作特性 (ROC) における曲線 (AUC=0.87) の下の領域は、正規化された時系列に対するアンサンブルアプローチによるDLSTMが他のモデルより優れており、不規則な時系列で訓練されたモデルと比べて誤りが少ないより正確な大きめの予測を提供することを示している。 DLSTMの優れた性能は、時系列をトレンド成分と季節成分に分解し、ランダムノイズを効果的に分離する能力に起因している。 本研究は、太陽フレア予測のための高度な機械学習技術の可能性を強調し、予測信頼性を高めるために、様々な太陽サイクルフェーズと再サンプリング戦略を取り入れることの重要性を強調した。

関連論文リスト

• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• LMS-AutoTSF: Learnable Multi-Scale Decomposition and Integrated Autocorrelation for Time Series Forecasting [4.075971633195745]
  自動相関を組み込んだ新しい時系列予測アーキテクチャであるLMS-AutoTSFを紹介する。 事前定義されたトレンドと季節的なコンポーネントに依存するモデルとは異なり、LMS-AutoTSFはスケール毎に2つの独立したエンコーダを使用する。 このアプローチにおける重要な革新は、時間ステップの差分を計算することによって達成される自己相関の統合です。
  論文  参考訳（メタデータ） (2024-12-09T09:31:58Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• The effect of phased recurrent units in the classification of multiple catalogs of astronomical lightcurves [0.0]
  本研究では, LSTM と LSTM をベースとしたアーキテクチャが天文学的な光曲線の分類に有効であることを示す。 その結果,LSTMは6/7データセット上でPSSTMより優れていた。
  論文  参考訳（メタデータ） (2021-06-07T16:01:38Z)
• Prediction of financial time series using LSTM and data denoising methods [0.29923891863939933]
  本稿では,ウェーブレット変換 (WT) と特異スペクトル解析 (SSA) を含むデータデノイジング法に基づくアンサンブル法を提案する。 WTとSSAは、元のシーケンスから有用な情報を抽出し、オーバーフィッティングを避けるため、ハイブリッドモデルはDJIAの閉値のシーケンスパターンをよりよく把握することができる。
  論文  参考訳（メタデータ） (2021-03-05T07:32:36Z)

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。