論文の概要: XFMNet: Decoding Cross-Site and Nonstationary Water Patterns via Stepwise Multimodal Fusion for Long-Term Water Quality Forecasting

• arxiv url: http://arxiv.org/abs/2508.08279v1
• Date: Fri, 01 Aug 2025 04:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.16449
• Title: XFMNet: Decoding Cross-Site and Nonstationary Water Patterns via Stepwise Multimodal Fusion for Long-Term Water Quality Forecasting
• Title（参考訳）: XFMNet:長期水質予測のためのステップワイド多モード融合によるクロスサイト・非定常水パターンの復号
• Authors: Ziqi Wang, Hailiang Zhao, Cheng Bao, Wenzhuo Qian, Yuhao Yang, Xueqiang Sun, Shuiguang Deng,
• Abstract要約: XFMNetは、リモートセンシング降水画像を統合する段階的なマルチモーダル核融合ネットワークである。 XFMNetは長期トレンドと短期変動の両方をキャプチャする。 実世界のデータセットの実験は、最先端のベースラインよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 8.412056996021962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term time-series forecasting is critical for environmental monitoring, yet water quality prediction remains challenging due to complex periodicity, nonstationarity, and abrupt fluctuations induced by ecological factors. These challenges are further amplified in multi-site scenarios that require simultaneous modeling of temporal and spatial dynamics. To tackle this, we introduce XFMNet, a stepwise multimodal fusion network that integrates remote sensing precipitation imagery to provide spatial and environmental context in river networks. XFMNet first aligns temporal resolutions between water quality series and remote sensing inputs via adaptive downsampling, followed by locally adaptive decomposition to disentangle trend and cycle components. A cross-attention gated fusion module dynamically integrates temporal patterns with spatial and ecological cues, enhancing robustness to nonstationarity and site-specific anomalies. Through progressive and recursive fusion, XFMNet captures both long-term trends and short-term fluctuations. Extensive experiments on real-world datasets demonstrate substantial improvements over state-of-the-art baselines, highlighting the effectiveness of XFMNet for spatially distributed time series prediction.
• Abstract（参考訳）: 長期の時系列予測は環境モニタリングにとって重要であるが、複雑な周期性、非定常性、生態系要因による急激な変動により、水質予測は依然として困難である。 これらの課題は、時空間力学と時空間力学の同時モデリングを必要とする多地点シナリオにおいてさらに増幅される。 そこで本稿では,リモートセンシング降水画像を統合し,河川ネットワークにおける空間的・環境的コンテキストを提供する,段階的にマルチモーダル融合ネットワークであるXFMNetを紹介する。 XFMNetは、まず、適応的なダウンサンプリングにより、水質シリーズとリモートセンシングインプットの時間分解を調整し、その後、ゆがんだトレンドやサイクルコンポーネントに局所的に適応的に分解する。 クロスアテンションゲート融合モジュールは、時間的パターンと空間的および生態的手がかりを動的に統合し、非定常性やサイト固有の異常に対して堅牢性を高める。 漸進的および再帰的融合により、XFMNetは長期的な傾向と短期的な変動の両方を捉えている。 実世界のデータセットに対する大規模な実験により、最先端のベースラインよりも大幅に改善され、空間分散時系列予測におけるXFMNetの有効性が強調された。

関連論文リスト

• Spatio-Temporal Transformers for Long-Term NDVI Forecasting [0.5097809301149342]
  STT-LTFは、一貫したトランスフォーマーアーキテクチャを通じて、時間的シーケンス(最大20年)と共にマルチスケール空間パッチを処理する。 このフレームワークは、空間マスキング、時間マスキング、地平線サンプリング戦略による総合的な自己教師型学習を採用している。 これは、空間パッチの埋め込み、周期的時間エンコーディング、地理的座標を組み込んで、エラーの蓄積なしに任意の将来の時点を直接予測する。
  論文  参考訳（メタデータ） (2026-02-02T08:29:45Z)
• M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting [6.89383702832204]
  M$2$FMoEは、マルチレゾリューションとマルチビューの周波数モデリングにより、正規パターンと極端なパターンの両方を学ぶ。 極端なパターンを持つ実世界の水文科学データセットの実験は、M$2$FMoEが最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-13T15:05:49Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
  天気予報の基礎モデルであるClimateLLMを提案する。 時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。 周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
  論文  参考訳（メタデータ） (2025-02-16T09:57:50Z)
• MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting [6.733646592789575]
  長期時系列予測(LTSF)は、電力消費計画、財務予測、疾病の伝播分析など、多くの実世界の応用において重要である。 MMFNetは,マルチスケールマスク付き周波数分解手法を利用して,長期多変量予測を向上する新しいモデルである。 MMFNetは、時系列を様々なスケールの周波数セグメントに変換し、学習可能なマスクを用いて非関連成分を適応的にフィルタリングすることで、微細で中間的で粗い時間パターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-02T22:38:20Z)
• 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)
• Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting [10.892801642895904]
  本稿では,距離重み付き自己正規化ニューラルネットワーク(DAN)を提案する。これは極性表現学習によって強化されたストラムフローの長距離予測のための新しい極性適応モデルである。 実生活における4つの水文流れデータセットにおいて、DANは、最先端の水文時系列予測法と長期時系列予測のための一般的な方法の両方を著しく上回っていることを実証した。
  論文  参考訳（メタデータ） (2023-12-14T09:16:01Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。