論文の概要: GTS_Forecaster: a novel deep learning based geodetic time series forecasting toolbox with python

• arxiv url: http://arxiv.org/abs/2509.10560v1
• Date: Wed, 10 Sep 2025 06:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.665245
• Title: GTS_Forecaster: a novel deep learning based geodetic time series forecasting toolbox with python
• Title（参考訳）: GTS_Forecaster:ピソンを用いた新しい深層学習に基づく測地時系列予測ツールボックス
• Authors: Xuechen Liang, Xiaoxing He, Shengdao Wang, Jean-Philippe Montillet, Zhengkai Huang, Gaël Kermarrec, Shunqiang Hu, Yu Zhou, Jiahui Huang,
• Abstract要約: 我々は地理時系列予測のためのオープンソースのPythonパッケージであるGTS Forecasterを紹介する。 高度なディープラーニングモデルを統合し、非線形空間時間パターンを効果的にモデル化する。 GTS Forecasterは、外れ値データセットの予測、可視化、評価をサポートする。
• 参考スコア（独自算出の注目度）: 13.397971255488365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geodetic time series -- such as Global Navigation Satellite System (GNSS) positions, satellite altimetry-derived sea surface height (SSH), and tide gauge (TG) records -- is essential for monitoring surface deformation and sea level change. Accurate forecasts of these variables can enhance early warning systems and support hazard mitigation for earthquakes, landslides, coastal storm surge, and long-term sea level. However, the nonlinear, non-stationary, and incomplete nature of such variables presents significant challenges for classic models, which often fail to capture long-term dependencies and complex spatiotemporal dynamics. We introduce GTS Forecaster, an open-source Python package for geodetic time series forecasting. It integrates advanced deep learning models -- including kernel attention networks (KAN), graph neural network-based gated recurrent units (GNNGRU), and time-aware graph neural networks (TimeGNN) -- to effectively model nonlinear spatial-temporal patterns. The package also provides robust preprocessing tools, including outlier detection and a reinforcement learning-based gap-filling algorithm, the Kalman-TransFusion Interpolation Framework (KTIF). GTS Forecaster currently supports forecasting, visualization, and evaluation of GNSS, SSH, and TG datasets, and is adaptable to general time series applications. By combining cutting-edge models with an accessible interface, it facilitates the application of deep learning in geodetic forecasting tasks.
• Abstract（参考訳）: 地球航法衛星システム(GNSS)の位置、衛星高度から導かれた海面高度(SSH)、潮位計(TG)記録などの測地時系列は、海面の変形や海面変化の監視に不可欠である。 これらの変数の正確な予測は、早期警報システムを強化し、地震、地すべり、沿岸の暴風雨、長期海水準のハザード緩和を支援することができる。 しかし、そのような変数の非線形性、非定常性、不完全性は、しばしば長期依存や複雑な時空間力学を捉えることに失敗する古典モデルに重大な課題をもたらす。 我々は地理時系列予測のためのオープンソースのPythonパッケージであるGTS Forecasterを紹介する。 カーネルアテンションネットワーク(KAN)、グラフニューラルネットワークベースのゲートリカレントユニット(GNNGRU)、タイムアウェアグラフニューラルネットワーク(TimeGNN)など、高度なディープラーニングモデルを統合して、非線形空間時間パターンを効果的にモデル化する。 パッケージには、アウター検出や強化学習ベースのギャップ埋めアルゴリズム、KTIF(Kalman-TransFusion Interpolation Framework)など、堅牢な前処理ツールも含まれている。 GTS Forecasterは現在、GNSS、SSH、TGデータセットの予測、可視化、評価をサポートしており、一般的な時系列アプリケーションに適用可能である。 最先端モデルとアクセス可能なインターフェースを組み合わせることで、測地予測タスクにおけるディープラーニングの適用が容易になる。

関連論文リスト

• Spatiotemporal Forecasting in Climate Data Using EOFs and Machine Learning Models: A Case Study in Chile [0.0]
  本研究は、時系列予測のための機械学習(ML)手法と確立された統計的手法を統合する、革新的で効率的なハイブリッド手法を用いる。 この手法はチリの領域をカバーする気候データグリッドに適用される。
  論文  参考訳（メタデータ） (2025-02-21T01:34:38Z)
• Temporal Graph MLP Mixer for Spatio-Temporal Forecasting [1.5696662871407674]
  T-GMM (Temporal Graph-Mixer) は、データ不足に対処するために設計されたアーキテクチャである。 モデルはノードレベルの処理とサブグラフエンコーディングを組み合わせて、局所化された空間依存をキャプチャする。 AQI、ENGRAD、PV-US、METR-LAデータセットの実験では、大きな欠落したデータが存在する場合でも、モデルが効果的に予測できることが示されている。
  論文  参考訳（メタデータ） (2025-01-17T14:13:48Z)
• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
  高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。 このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。 流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。 大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T20:18:32Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)

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。