論文の概要: STL-FFT-STFT-TCN-LSTM: An Effective Wave Height High Accuracy Prediction Model Fusing Time-Frequency Domain Features

• arxiv url: http://arxiv.org/abs/2509.19313v1
• Date: Tue, 09 Sep 2025 14:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.409738
• Title: STL-FFT-STFT-TCN-LSTM: An Effective Wave Height High Accuracy Prediction Model Fusing Time-Frequency Domain Features
• Title（参考訳）: STL-FFT-STFT-TCN-LSTM:時間周波数領域特徴を用いた実効波高高精度予測モデル
• Authors: Huipeng Liu, Zhichao Zhu, Yuan Zhou, Changlu Li,
• Abstract要約: 本研究では,STL-FFT-STFT-TCN-LSTMを組み合わせたハイブリッドモデルを提案する。 このモデルは、マルチスケールな特徴融合を最適化し、極端波高を捉え、高周波ノイズや周期的な信号に関連する問題に対処することを目的としている。
• 参考スコア（独自算出の注目度）: 7.560278188329677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the consumption of traditional energy sources intensifies and their adverse environmental impacts become more pronounced, wave energy stands out as a highly promising member of the renewable energy family due to its high energy density, stability, widespread distribution, and environmental friendliness. The key to its development lies in the precise prediction of Significant Wave Height (WVHT). However, wave energy signals exhibit strong nonlinearity, abrupt changes, multi-scale periodicity, data sparsity, and high-frequency noise interference; additionally, physical models for wave energy prediction incur extremely high computational costs. To address these challenges, this study proposes a hybrid model combining STL-FFT-STFT-TCN-LSTM. This model exploits the Seasonal-Trend Decomposition Procedure based on Loess (STL), Fast Fourier Transform (FFT), Short-Time Fourier Transform (STFT), Temporal Convolutional Network (TCN), and Long Short-Term Memory (LSTM) technologies. The model aims to optimize multi-scale feature fusion, capture extreme wave heights, and address issues related to high-frequency noise and periodic signals, thereby achieving efficient and accurate prediction of significant wave height. Experiments were conducted using hourly data from NOAA Station 41008 and 41047 spanning 2019 to 2022. The results showed that compared with other single models and hybrid models, the STL-FFT-STFT-TCN-LSTM model achieved significantly higher prediction accuracy in capturing extreme wave heights and suppressing high-frequency noise, with MAE reduced by 15.8\%-40.5\%, SMAPE reduced by 8.3\%-20.3\%, and R increased by 1.31\%-2.9\%; in ablation experiments, the model also demonstrated the indispensability of each component step, validating its superiority in multi-scale feature fusion.
• Abstract（参考訳）: 従来のエネルギー源の消費が増加し、その有害な環境影響がより顕著になるにつれて、波力エネルギーはその高エネルギー密度、安定性、広く分布し、環境に優しいため、再生可能エネルギーファミリーの非常に有望なメンバーとして際立っている。 その発展の鍵は、重要な波高(WVHT)の正確な予測にある。 しかし、波動エネルギー信号は強い非線形性、急激な変化、多スケール周期性、データ空間性、高周波ノイズ干渉を示す。 そこで本研究では,STL-FFT-STFT-TCN-LSTMを組み合わせたハイブリッドモデルを提案する。 このモデルは、Loess (STL)、Fast Fourier Transform (FFT)、Short-Time Fourier Transform (STFT)、Temporal Convolutional Network (TCN)、Long Short-Term Memory (LSTM)技術に基づく季節トレンド分解法を利用する。 このモデルは,マルチスケールな特徴融合を最適化し,極端波高を捕捉し,高周波ノイズや周期的な信号に関連する問題に対処することを目的としている。 実験は、2019年から2022年までのNOAAステーション41008と41047の時間データを用いて行われた。 その結果、STL-FFT-STFT-TCN-LSTMモデルは他の単一モデルやハイブリッドモデルと比較して、極端波高の捕捉と高周波ノイズの抑制において予測精度が著しく向上し、MAEは15.8\%-40.5\%、SMAPEは8.3\%-20.3\%、Rは1.31\%-2.9\%と減少した。

関連論文リスト

• Latent Wavelet Diffusion For Ultra-High-Resolution Image Synthesis [56.311477476580926]
  超高分解能(2K-4K)画像合成におけるディテールとテクスチャの忠実度を大幅に向上させる軽量トレーニングフレームワークであるLatent Wavelet Diffusion (LWD)を提案する。 LWDはウェーブレットエネルギーマップから導かれる新しい周波数対応マスキング戦略を導入し、潜在空間の詳細な領域にトレーニングプロセスを動的に焦点をあてる。
  論文  参考訳（メタデータ） (2025-05-31T07:28:32Z)
• Fourier Low-rank and Sparse Tensor for Efficient Tensor Completion [11.949952079083026]
  我々は、新しいモデル、UnderlineFourier UnderlineLow-rankとUnderlineSparse UnderlineTensor(FLoST)を提案する。 FLoSTは変換を用いてテンソルを時間次元に沿って分解する。 低周波成分と低周波成分と低周波成分を疎らさで捕捉し、滑らかな変動と局所的な変動の両方を効率的にモデル化するハイブリッド構造をもたらす。
  論文  参考訳（メタデータ） (2025-05-16T13:54:07Z)
• WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia [3.1789338656073305]
  本稿では、ウェーブレット変換とニューラル階層型時系列補間を組み合わせた新しいモデルWaveHiTSを提案する。 提案手法は風向をU-V成分に分解し,ウェーブレット変換を用いてマルチスケールの周波数パターンを捕捉し,階層構造を用いて時間依存性をモデル化する。 中国内モンゴルからの実世界気象データを用いて行った実験では、WaveHiTSがディープラーニングモデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-04-09T02:15:48Z)
• AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble [1.1874952582465603]
  本稿では,長期記憶(LSTM)ネットワークを統合したAIを用いた信頼性リアルタイム波高予測モデルを提案する。 モデルは顕著な精度 (R2 > 0.9) を達成すると同時に, 簡単な校正手法により, 不確かさを50%以上向上させる。
  論文  参考訳（メタデータ） (2024-12-07T00:22:58Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
  この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。 irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。 我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
  論文  参考訳（メタデータ） (2024-06-07T09:20:30Z)
• A Noise-robust Multi-head Attention Mechanism for Formation Resistivity Prediction: Frequency Aware LSTM [7.466740264582114]
  生成比抵抗の予測は, 石油・ガス貯留層の評価において重要な役割を担っている。 従来の坑井検層技術では、ボアホールの正確な比抵抗を測定することができない。 周波数認識LSTMを構築するために,周波数認識フレームワークと時間的アンチノイズブロックを提案する。
  論文  参考訳（メタデータ） (2024-06-06T08:31:52Z)
• 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)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)

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。