論文の概要: TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation

• arxiv url: http://arxiv.org/abs/2512.04694v1
• Date: Thu, 04 Dec 2025 11:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.136652
• Title: TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
• Title（参考訳）: TimesNet-Gen:ディープラーニングベースのサイト特異的ストロングモーション生成
• Authors: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu,
• Abstract要約: 地震リスクの効果的な低減は、正確なサイト固有の評価に依存している。 データ駆動型アプローチは、記録された地動からサイトが制御するシグネチャを学習することで、有望な方向性を提供する。 時間領域条件生成器であるTimesNet-Genを紹介する。
• 参考スコア（独自算出の注目度）: 4.666493857924357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective earthquake risk reduction relies on accurate site-specific evaluations. This requires models that can represent the influence of local site conditions on ground motion characteristics. In this context, data driven approaches that learn site controlled signatures from recorded ground motions offer a promising direction. We address strong ground motion generation from time-domain accelerometer records and introduce the TimesNet-Gen, a time-domain conditional generator. The approach uses a station specific latent bottleneck. We evaluate generation by comparing HVSR curves and fundamental site-frequency $f_0$ distributions between real and generated records per station, and summarize station specificity with a score based on the $f_0$ distribution confusion matrices. TimesNet-Gen achieves strong station-wise alignment and compares favorably with a spectrogram-based conditional VAE baseline for site-specific strong motion synthesis. Our codes are available via https://github.com/brsylmz23/TimesNet-Gen.
• Abstract（参考訳）: 地震リスクの効果的な低減は、正確なサイト固有の評価に依存している。 これは、局所的な場所条件が地盤運動特性に与える影響を表現できるモデルを必要とする。 この文脈では、記録された地動からのサイト制御署名を学習するデータ駆動アプローチは、有望な方向を提供する。 我々は、時間領域加速度計の記録から強震動の発生に対処し、時間領域条件生成器であるTimesNet-Genを導入する。 このアプローチでは、ステーション固有の遅延ボトルネックを使用する。 本研究では,HVSR曲線と基本サイト周波数$f_0$分布を駅ごとの実レコードと生成レコード間で比較し,駅特異度を$f_0$分布混乱行列に基づくスコアで要約する。 TimesNet-Genは、強い局面アライメントを実現し、サイト固有の強震動合成のためのスペクトログラムベースの条件付きVAEベースラインと良好に比較する。 私たちのコードはhttps://github.com/brsylmz23/TimesNet-Gen.comから入手可能です。

関連論文リスト

• Spatio-Temporal Graph Structure Learning for Earthquake Detection [1.6044444452278062]
  本研究では,地震観測所間の静的および動的関係をモデル化するための時空間グラフ畳み込みネットワーク(GCN)を提案する。 提案手法は, マルチステーション波形データを処理し, ステーション固有検出確率を生成する。 実験は、真正レート(TPR)と偽正レート(FPR)の観点から、従来のGCNベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-14T09:07:18Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories [7.493786214342181]
  位置予測のための時間変化の時間的規則性を把握するための一般RNNアーキテクチャ学習であるREPLAYを提案する。 特に、REPLAYは、情報の隠された過去の状態を探すために、スパース軌跡の距離を利用するだけでなく、時間変化の時間的規則性も許容する。 その結果、REPLAYは、位置予測タスクにおいて、最先端の手法を7.7%-10.5%向上させる。
  論文  参考訳（メタデータ） (2024-02-26T05:28:36Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。