論文の概要: Leveraging Exogenous Signals for Hydrology Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.11849v1
• Date: Fri, 14 Nov 2025 20:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.342678
• Title: Leveraging Exogenous Signals for Hydrology Time Series Forecasting
• Title（参考訳）: 水理時系列予測のための外因性信号の活用
• Authors: Junyang He, Judy Fox, Alireza Jafari, Ying-Jung Chen, Geoffrey Fox,
• Abstract要約: 本研究は,水文降雨流出モデルのための時系列モデルにドメイン知識を統合する役割について考察する。 671箇所の降雨・流出データを含むCAMELS-USデータセットを用いて,ベースラインモデルと基礎モデルを比較した。 その結果, 包括的入力を含むモデルは, 基礎モデルを含むより限定的なアプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.8359980876816896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in time series research facilitate the development of foundation models. While many state-of-the-art time series foundation models have been introduced, few studies examine their effectiveness in specific downstream applications in physical science. This work investigates the role of integrating domain knowledge into time series models for hydrological rainfall-runoff modeling. Using the CAMELS-US dataset, which includes rainfall and runoff data from 671 locations with six time series streams and 30 static features, we compare baseline and foundation models. Results demonstrate that models incorporating comprehensive known exogenous inputs outperform more limited approaches, including foundation models. Notably, incorporating natural annual periodic time series contribute the most significant improvements.
• Abstract（参考訳）: 時系列研究の最近の進歩は基礎モデルの開発を促進する。 多くの最先端の時系列基礎モデルが導入されたが、物理科学における特定の下流の応用におけるそれらの効果について研究する研究はほとんどない。 本研究は,水文降雨流出モデルのための時系列モデルにドメイン知識を統合する役割について考察する。 CAMELS-USデータセットは、6つの時系列ストリームと30の静的特徴を持つ671箇所の降雨および流出データを含む。 その結果、包括的に既知の外因性入力を含むモデルは、基礎モデルを含むより限定的なアプローチよりも優れていることが示された。 特に、自然の年次時系列を取り入れたことが最も重要な改善点である。

関連論文リスト

• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades [1.147912082971675]
  エバーグレーズは洪水と干ばつ規制、水資源計画、生態系管理において重要な役割を果たしている。 従来の物理に基づく、水位を予測する統計的手法は、しばしば重大な課題に直面している。 大規模時系列モデルの最近の進歩は、これらの制限に対処する可能性を示している。
  論文  参考訳（メタデータ） (2025-05-02T17:48:20Z)
• Deep Learning Foundation and Pattern Models: Challenges in Hydrological Time Series [0.8359980876816896]
  本稿では,水文学データを用いて時系列における重要な特徴を特定することを目的とする。 本研究では, CAMELS と Caravan のグローバルデータセットから水文学時系列を解析する。
  論文  参考訳（メタデータ） (2024-10-19T21:23:48Z)
• Deep Time Series Models: A Comprehensive Survey and Benchmark [60.742416934632416]
  時系列は、その複雑でダイナミックな性質のために固有の課題を提示する。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)

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。