論文の概要: Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction

• arxiv url: http://arxiv.org/abs/2511.12682v1
• Date: Sun, 16 Nov 2025 16:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.478656
• Title: Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction
• Title（参考訳）: 気象予測のためのアテンション強化畳み込みオートエンコーダと構造化遅延埋め込み
• Authors: Amirpasha Hedayat, Karthik Duraisamy,
• Abstract要約: 本研究は,短距離気象予測のための効率的なリダクション・オーダー・モデリング(ROM)フレームワークを提案する。 大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。
• 参考スコア（独自算出の注目度）: 0.5729426778193397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weather prediction is a quintessential problem involving the forecasting of a complex, nonlinear, and chaotic high-dimensional dynamical system. This work introduces an efficient reduced-order modeling (ROM) framework for short-range weather prediction and investigates fundamental questions in dimensionality reduction and reduced order modeling of such systems. Unlike recent AI-driven models, which require extensive computational resources, our framework prioritizes efficiency while achieving reasonable accuracy. Specifically, a ResNet-based convolutional autoencoder augmented by block attention modules is developed to reduce the dimensionality of high-dimensional weather data. Subsequently, a linear operator is learned in the time-delayed embedding of the latent space to efficiently capture the dynamics. Using the ERA5 reanalysis dataset, we demonstrate that this framework performs well in-distribution as evidenced by effectively predicting weather patterns within training data periods. We also identify important limitations in generalizing to future states, particularly in maintaining prediction accuracy beyond the training window. Our analysis reveals that weather systems exhibit strong temporal correlations that can be effectively captured through linear operations in an appropriately constructed embedding space, and that projection error rather than inference error is the main bottleneck. These findings shed light on some key challenges in reduced-order modeling of chaotic systems and point toward opportunities for hybrid approaches that combine efficient reduced-order models as baselines with more sophisticated AI architectures, particularly for applications in long-term climate modeling where computational efficiency is paramount.
• Abstract（参考訳）: 天気予知は、複雑で非線形でカオス的な高次元力学系の予測を含む重要な問題である。 本研究は,短距離気象予測のための効率的な低次モデリング(ROM)フレームワークを導入し,これらのシステムの次元的低減と低次モデリングにおける基本的な問題について検討する。 大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。 具体的には、ブロックアテンションモジュールによって強化されたResNetベースの畳み込みオートエンコーダを開発し、高次元気象データの次元性を低減した。 その後、線形作用素が遅延空間の時間遅延埋め込みで学習され、ダイナミクスを効率的に捉える。 ERA5リアナリシスデータセットを用いて、トレーニングデータ期間内の気象パターンを効果的に予測することにより、このフレームワークがよく分布することを示した。 また、将来の状態を一般化する上で重要な制約、特にトレーニングウィンドウを超えて予測精度を維持する上でも重要である。 解析により, 適切に構築された埋め込み空間において, 線形操作によって効果的に捕捉できる強い時間相関が示され, 予測誤差よりも予測誤差が主なボトルネックであることが判明した。 これらの発見は、カオスシステムの低次モデリングにおける重要な課題と、より洗練されたAIアーキテクチャ、特に計算効率が最重要である長期的気候モデリングにおける応用をベースラインとして効率的な低次モデルを組み合わせたハイブリッドアプローチの機会に光を当てた。

関連論文リスト

• GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction [9.622104744379675]
  時空間モデリングと時間周波数解析を統合したセルトラフィック予測フレームワークを提案する。 本稿では,交通量に基づいて誤差ペナルティを調整する適応スケールのロゴシュ損失関数を提案する。 3つのオープンソースデータセットの実験により,提案手法は最先端の手法よりも予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2026-02-06T16:21:06Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs [12.867023510751787]
  STH-SepNetは、時間的および空間的表現性を効率と精度の両方に分離する新しいフレームワークである。 S-SepNetは、現実世界のアプリケーションにおける時間予測のための実用的でスケーラブルなソリューションを提供する。 この作業は、計算要求の削減と予測性能の向上を目的とした、時間的予測のための有望な軽量フレームワークを提供する可能性がある。
  論文  参考訳（メタデータ） (2025-05-26T07:37:39Z)
• Generative Spatio-temporal GraphNet for Transonic Wing Pressure Distribution Forecasting [0.0]
  このフレームワークは、オートエンコーダを用いて、高次元の圧力分布データを低次元の潜在空間に圧縮する。 グラフベースの時間層は、過去のデータに基づいて将来の翼圧力を予測するために使用される。 提案フレームワークの有効性は,Benchmark Super critical Wingテストケースへの適用を通じて検証される。
  論文  参考訳（メタデータ） (2024-11-18T14:10:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• 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)
• Deep Convolutional Architectures for Extrapolative Forecast in Time-dependent Flow Problems [0.0]
  深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。 これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。 ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
  論文  参考訳（メタデータ） (2022-09-18T03:45:56Z)
• Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms [10.759556555869798]
  本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。 我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-02-01T08:30:42Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。