論文の概要: HydroFusion-LMF: Semi-Supervised Multi-Network Fusion with Large-Model Adaptation for Long-Term Daily Runoff Forecasting

• arxiv url: http://arxiv.org/abs/2510.03744v1
• Date: Sat, 04 Oct 2025 09:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.224868
• Title: HydroFusion-LMF: Semi-Supervised Multi-Network Fusion with Large-Model Adaptation for Long-Term Daily Runoff Forecasting
• Title（参考訳）: HydroFusion-LMF: 長期流出予測のための大規模適応型半改良マルチネットワークフュージョン
• Authors: Qianfei Fan, Jiayu Wei, Peijun Zhu, Wensheng Ye, Meie Fang,
• Abstract要約: ハイドロフュージョン-LMFは非定常性を低減するためにトレンド-残留分解を行う。 専門的なアウトプットを、水文学的な文脈認識ゲートを通じて融合させ、日々のフェーズで条件付けする。 MSE 1.0128 / MAE 0.5818を10年毎のデータセットで取得する。
• 参考スコア（独自算出の注目度）: 3.3915788299794767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate decade-scale daily runoff forecasting in small watersheds is difficult because signals blend drifting trends, multi-scale seasonal cycles, regime shifts, and sparse extremes. Prior deep models (DLinear, TimesNet, PatchTST, TiDE, Nonstationary Transformer, LSTNet, LSTM) usually target single facets and under-utilize unlabeled spans, limiting regime adaptivity. We propose HydroFusion-LMF, a unified framework that (i) performs a learnable trend-seasonal-residual decomposition to reduce non-stationarity, (ii) routes residuals through a compact heterogeneous expert set (linear refinement, frequency kernel, patch Transformer, recurrent memory, dynamically normalized attention), (iii) fuses expert outputs via a hydrologic context-aware gate conditioned on day-of-year phase, antecedent precipitation, local variance, flood indicators, and static basin attributes, and (iv) augments supervision with a semi-supervised multi-task objective (composite MSE/MAE + extreme emphasis + NSE/KGE, masked reconstruction, multi-scale contrastive alignment, augmentation consistency, variance-filtered pseudo-labeling). Optional adapter / LoRA layers inject a frozen foundation time-series encoder efficiently. On a ~10-year daily dataset HydroFusion-LMF attains MSE 1.0128 / MAE 0.5818, improving the strongest baseline (DLinear) by 10.2% / 10.3% and the mean baseline by 24.6% / 17.1%. We observe simultaneous MSE and MAE reductions relative to baselines. The framework balances interpretability (explicit components, sparse gating) with performance, advancing label-efficient hydrologic forecasting under non-stationarity.
• Abstract（参考訳）: 小流域における正確な10年間の日次流出予測は、信号が漂流傾向、多スケールの季節周期、政権シフト、疎度極端を混在させるため困難である。 従来のディープモデル(DLinear、TimesNet、PatchTST、TiDE、Nonstationary Transformer、LSTNet、LSTM)は、通常は単一のファセットをターゲットとし、ラベルなしスパンを未使用で、構造適応性を制限する。 統合されたフレームワークであるHydroFusion-LMFを提案する。 (i)非定常性を低減するため、学習可能なトレンド・シーズン・残差分解を行う。 (ii) 残留物は、コンパクトな異種専門家セット(線形精錬、周波数カーネル、パッチトランスフォーマー、繰り返しメモリ、動的正規化注意)を通してルートする。 三 生起期、降水、局地変動、洪水指標及び静水池属性を条件とした水文文脈対応ゲートにより、専門家の出力を融合させる。 (4)半教師付きマルチタスク目標(MSE/MAE + 極端な強調+NSE/KGE、マスク付き再構築、マルチスケールコントラストアライメント、拡張整合、分散フィルター付き擬似ラベル)による監視を強化する。 オプションアダプタ/LoRA層は凍結した基本時系列エンコーダを効率的に注入する。 10年間の日次データセットであるHydroFusion-LMFは、MSE 1.0128 / MAE 0.5818に達し、最強のベースライン(DLinear)を10.2%/10.3%改善し、平均ベースラインを24.6%/17.1%改善した。 ベースラインに対するMSEとMAEの同時減少を観察した。 このフレームワークは、解釈可能性(明示的なコンポーネント、スパースゲーティング)と性能のバランスをとり、非定常性の下でラベル効率の高い水理予測を進める。

関連論文リスト

• DSAT-HD: Dual-Stream Adaptive Transformer with Hybrid Decomposition for Multivariate Time Series Forecasting [14.708544628811381]
  時系列予測は、天気、交通、電気、エネルギー予測など様々な用途に欠かせない。 既存のアプローチは、主に制限された時系列や固定スケールをモデル化し、さまざまな機能をさまざまな範囲にわたって捉えることがより困難になる。 本稿では,DSAT-HD(Hybrid Decomposition Dual-Stream Adaptive Transformer)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T13:50:56Z)
• Wavelet-SARIMA-Transformer: A Hybrid Model for Rainfall Forecasting [0.0]
  本研究は,1971年から2023年の間にインド北東部の5つの気象区分にまたがる月間降雨量の予測を行うハイブリッドウェーブレットSARIMAトランスフォーマー(WST)を開発した。
  論文  参考訳（メタデータ） (2025-09-15T13:27:19Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• A Review of the Long Horizon Forecasting Problem in Time Series Analysis [0.0]
  長い地平線予測(LHF)問題は、過去35年ほどにわたって時系列文献に現れてきた。 ディープラーニングには、トレンド、季節性、フーリエ変換、ウェーブレット変換、不特定バイアス低減、帯域通過フィルタのバリエーションが組み込まれている。 本稿では, 時系列分解技術, 入力データ前処理, および, 性能向上のためのデータセットのウィンドウ化手法について述べる。
  論文  参考訳（メタデータ） (2025-06-15T10:49:50Z)
• Few-Step Diffusion via Score identity Distillation [67.07985339442703]
  拡散蒸留は, テキスト・ツー・イメージ(T2I)拡散モデルを促進するための有望な戦略として浮上している。 既存の方法は、高分解能T2I拡散モデルを蒸留する際に、実像や教師合成画像に頼っている。 教師のCFGを無効にし、偽スコアネットワークでテキストコンディショニングを除去するZero-CFGと、偽スコアネットワークで否定的なCFGを適用するAnti-CFGの2つの新しいガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-19T03:45:16Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)

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。