論文の概要: CauSTream: Causal Spatio-Temporal Representation Learning for Streamflow Forecasting

• arxiv url: http://arxiv.org/abs/2512.16046v1
• Date: Thu, 18 Dec 2025 00:07:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.860473
• Title: CauSTream: Causal Spatio-Temporal Representation Learning for Streamflow Forecasting
• Title（参考訳）: CauSTream: ストリームフロー予測のための因果時空間表現学習
• Authors: Shu Wan, Reepal Shah, John Sabo, Huan Liu, K. Selçuk Candan,
• Abstract要約: 我々はCauSTreamと呼ばれるストリームフロー予測のための統合因果学習フレームワークを提案する。 CauSTreamは、気象フォース間の流出因果グラフと、ステーション間の動的依存関係をキャプチャするルーティンググラフを学習する。 我々は,3つの予測地平線にまたがる3つの米国河川流域におけるCauSTreamの評価を行った。
• 参考スコア（独自算出の注目度）: 7.693401294814023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streamflow forecasting is crucial for water resource management and risk mitigation. While deep learning models have achieved strong predictive performance, they often overlook underlying physical processes, limiting interpretability and generalization. Recent causal learning approaches address these issues by integrating domain knowledge, yet they typically rely on fixed causal graphs that fail to adapt to data. We propose CauStream, a unified framework for causal spatiotemporal streamflow forecasting. CauSTream jointly learns (i) a runoff causal graph among meteorological forcings and (ii) a routing graph capturing dynamic dependencies across stations. We further establish identifiability conditions for these causal structures under a nonparametric setting. We evaluate CauSTream on three major U.S. river basins across three forecasting horizons. The model consistently outperforms prior state-of-the-art methods, with performance gaps widening at longer forecast windows, indicating stronger generalization to unseen conditions. Beyond forecasting, CauSTream also learns causal graphs that capture relationships among hydrological factors and stations. The inferred structures align closely with established domain knowledge, offering interpretable insights into watershed dynamics. CauSTream offers a principled foundation for causal spatiotemporal modeling, with the potential to extend to a wide range of scientific and environmental applications.
• Abstract（参考訳）: ストリームフロー予測は、水資源管理とリスク軽減に不可欠である。 ディープラーニングモデルは強力な予測性能を達成したが、多くの場合、解釈可能性と一般化を制限する物理的プロセスを見落としている。 最近の因果学習アプローチはドメイン知識を統合することでこれらの問題に対処するが、一般的にはデータへの適応に失敗する固定因果グラフに依存している。 本稿では,因果時流予測のための統合フレームワークであるCauStreamを提案する。 CauSTreamが共同で学習 一 気象力の流出因数グラフ (ii) ステーション間の動的依存関係をキャプチャするルーティンググラフ。 非パラメトリックな条件下でこれらの因果構造に対する識別可能性条件をさらに確立する。 我々は,3つの予測地平線にまたがる3つの米国河川流域におけるCauSTreamの評価を行った。 このモデルは、より長い予測ウィンドウで性能ギャップが広がり、目に見えない条件へのより強い一般化が示され、常に最先端の手法よりも優れていた。 予測以外にも、CauSTreamは、水文学的要因とステーション間の関係を捉える因果グラフも学習している。 推論された構造は確立されたドメイン知識と密接に一致し、流域力学の解釈可能な洞察を提供する。 CauSTreamは、因果時空間モデリングの原則的な基盤を提供し、幅広い科学的・環境的な応用にまで拡張する可能性がある。

関連論文リスト

• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Spatio-temporal Causal Learning for Streamflow Forecasting [11.820781497467898]
  Causal Streamflow Forecasting (CSF) はテキサス州のブラゾス川流域で実世界の調査を行っている。 提案手法は,通常の計算時間グラフニューラルネットワークより優れていることを示す。 この研究は、高度なニューラルネットワーク技術とドメイン固有の知識を組み合わせる可能性を示す、ストリームフロー予測に対する新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-11-26T23:19:56Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• Causal Autoregressive Flows [4.731404257629232]
  自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-04T13:17:35Z)
• Autoregressive flow-based causal discovery and inference [4.83420384410068]
  自己回帰フローモデルは、様々な因果推論タスクを実行するのに適している。 自己回帰型アーキテクチャは、因果順序に類似した変数の順序を定義しているという事実を活用する。 本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測と反事実予測を行うことができる, 合成データの例を示す。
  論文  参考訳（メタデータ） (2020-07-18T10:02:59Z)

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。