論文の概要: Comparing LSTM-Based Sequence-to-Sequence Forecasting Strategies for 24-Hour Solar Proton Flux Profiles Using GOES Data

• arxiv url: http://arxiv.org/abs/2510.05399v1
• Date: Mon, 06 Oct 2025 21:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.000909
• Title: Comparing LSTM-Based Sequence-to-Sequence Forecasting Strategies for 24-Hour Solar Proton Flux Profiles Using GOES Data
• Title（参考訳）: GOESデータを用いた24時間太陽陽子フラックスプロファイルのLSTMに基づくシーケンス・ツー・シーケンス予測法の比較
• Authors: Kangwoo Yi, Bo Shen, Qin Li, Haimin Wang, Yong-Jae Moon, Jaewon Lee, Hwanhee Lee,
• Abstract要約: ソーラープロトンイベント(Solar Proton Events、SPE)は、人工衛星、宇宙飛行士、技術システムに重大な放射線障害を引き起こす。 本稿では,深層学習シーケンス・ツー・シーケンス(seq2seq)モデルについて検討し,SPE開始後の24時間プロトンフラックスプロファイルを予測する。
• 参考スコア（独自算出の注目度）: 17.21677044279883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar Proton Events (SPEs) cause significant radiation hazards to satellites, astronauts, and technological systems. Accurate forecasting of their proton flux time profiles is crucial for early warnings and mitigation. This paper explores deep learning sequence-to-sequence (seq2seq) models based on Long Short-Term Memory networks to predict 24-hour proton flux profiles following SPE onsets. We used a dataset of 40 well-connected SPEs (1997-2017) observed by NOAA GOES, each associated with a >=M-class western-hemisphere solar flare and undisturbed proton flux profiles. Using 4-fold stratified cross-validation, we evaluate seq2seq model configurations (varying hidden units and embedding dimensions) under multiple forecasting scenarios: (i) proton-only input vs. combined proton+X-ray input, (ii) original flux data vs. trend-smoothed data, and (iii) autoregressive vs. one-shot forecasting. Our major results are as follows: First, one-shot forecasting consistently yields lower error than autoregressive prediction, avoiding the error accumulation seen in iterative approaches. Second, on the original data, proton-only models outperform proton+X-ray models. However, with trend-smoothed data, this gap narrows or reverses in proton+X-ray models. Third, trend-smoothing significantly enhances the performance of proton+X-ray models by mitigating fluctuations in the X-ray channel. Fourth, while models trained on trendsmoothed data perform best on average, the best-performing model was trained on original data, suggesting that architectural choices can sometimes outweigh the benefits of data preprocessing.
• Abstract（参考訳）: ソーラープロトンイベント(Solar Proton Events、SPE)は、人工衛星、宇宙飛行士、技術システムに重大な放射線障害を引き起こす。 プロトンフラックス時間プロファイルの正確な予測は、早期警告と緩和に不可欠である。 本稿では,Long Short-Term Memory Network に基づく深層学習シーケンス・ツー・シーケンス(seq2seq)モデルについて検討し,SPE 以降の24時間プロトンフラックスプロファイルを予測する。 我々はNOAA GOESが観測した40個のよく接続されたSPE(1997-2017)のデータセットを使用し、それぞれに >=M級西半球太陽フレアと乱れのない陽子フラックスプロファイルを関連付けた。 4重層化クロスバリデーションを用いて、複数の予測シナリオの下でセック2セックモデル構成(隠蔽単位と埋め込み次元)を評価する。 (i)プロトンのみの入力と組み合わせたプロトン+X線入力 (二)オリジナルフラックスデータ対トレンド平滑データ 三 自己回帰対単発予測 第一に、ワンショット予測は、反復的アプローチで見られるエラーの蓄積を避けるために、自己回帰予測よりも一貫してエラーを減少させる。 第二に、プロトンのみのモデルはプロトン+X線モデルより優れている。 しかし、トレンドスムースなデータでは、このギャップは陽子+X線モデルで狭くなるか逆になる。 第3に, トレンド平滑化はX線チャネルの変動を緩和することにより, プロトン+X線モデルの性能を著しく向上させる。 第4に、トレンドモットデータでトレーニングされたモデルは平均して最高のパフォーマンスを示す一方で、最高のパフォーマンスのモデルはオリジナルのデータでトレーニングされ、アーキテクチャ上の選択は、時にデータ前処理の利点を上回る可能性があることを示唆している。

関連論文リスト

• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Beyond Model Collapse: Scaling Up with Synthesized Data Requires Verification [11.6055501181235]
  モデル崩壊防止のための合成データに対する検証手法について検討する。 検証器は、たとえ不完全なものであっても、モデル崩壊を防ぐために実際に活用できることが示される。
  論文  参考訳（メタデータ） (2024-06-11T17:46:16Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification [0.0]
  太陽フレア発生確率を1,3,6,12,24,48,72,96時間枠で予測するcnnを提案する。 静止運用環境衛星(GOES)X線時系列データ(1998年7月から2019年1月まで)。
  論文  参考訳（メタデータ） (2021-01-29T12:55:57Z)

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。