論文の概要: Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction

• arxiv url: http://arxiv.org/abs/2601.07951v1
• Date: Mon, 12 Jan 2026 19:34:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.917606
• Title: Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction
• Title（参考訳）: 局所気象予測のためのハイブリッドSARIMA LSTMモデル:データ駆動気象予測のための残留学習アプローチ
• Authors: Shreyas Rajeev, Karthik Mudenahalli Ashoka, Amit Mallappa Tiparaddi,
• Abstract要約: 長期の大気変数を正確に予測することは、気象学における決定的な課題である。 温度を予測可能な気候成分と非線形気象成分に分解する残差学習戦略を用いたハイブリッドSARIMA-LSTMアーキテクチャを提案する。 この枠組みは、残留学習戦略を用いて、温度を予測可能な気候成分と非線形気象成分に分解する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately forecasting long-term atmospheric variables remains a defining challenge in meteorological science due to the chaotic nature of atmospheric systems. Temperature data represents a complex superposition of deterministic cyclical climate forces and stochastic, short-term fluctuations. While planetary mechanics drive predictable seasonal periodicities, rapid meteorological changes such as thermal variations, pressure anomalies, and humidity shifts introduce nonlinear volatilities that defy simple extrapolation. Historically, the Seasonal Autoregressive Integrated Moving Average (SARIMA) model has been the standard for modeling historical weather data, prized for capturing linear seasonal trends. However, SARIMA operates under strict assumptions of stationarity, failing to capture abrupt, nonlinear transitions. This leads to systematic residual errors, manifesting as the under-prediction of sudden spikes or the over-smoothing of declines. Conversely, Deep Learning paradigms, specifically Long Short-Term Memory (LSTM) networks, demonstrate exceptional efficacy in handling intricate time-series data. By utilizing memory gates, LSTMs learn complex nonlinear dependencies. Yet, LSTMs face instability in open-loop forecasting; without ground truth feedback, minor deviations compound recursively, causing divergence. To resolve these limitations, we propose a Hybrid SARIMA-LSTM architecture. This framework employs a residual-learning strategy to decompose temperature into a predictable climate component and a nonlinear weather component. The SARIMA unit models the robust, long-term seasonal trend, while the LSTM is trained exclusively on the residuals the nonlinear errors SARIMA fails to capture. By fusing statistical stability with neural plasticity, this hybrid approach minimizes error propagation and enhances long-horizon accuracy.
• Abstract（参考訳）: 長期の大気変数の正確な予測は、大気系のカオス的な性質のため、気象学における決定的な課題である。 温度データは、決定論的循環型気候力と確率的短期変動の複雑な重ね合わせを表す。 惑星力学が予測可能な季節周期を駆動する一方で、温度変化、圧力異常、湿度変化などの急激な気象変化は、単純な外挿を阻害する非線形の揮発性をもたらす。 歴史的に、季節性自己回帰統合移動平均(SARIMA)モデルは、線形季節傾向を捉えた歴史的気象データモデリングの標準となっている。 しかし、SARIMAは定常性の厳密な仮定の下で活動し、突然の非線形遷移を捉えることができない。 これは系統的な残差を生じさせ、急激なスパイクの過度な予測や下降の過度なスムース化として現れる。 逆に、ディープラーニングのパラダイム、特にLong Short-Term Memory (LSTM) ネットワークは、複雑な時系列データを扱う上で極めて有効であることを示す。 メモリゲートを利用することで、LSTMは複雑な非線形依存を学習する。 しかし、LSTMはオープンループ予測の不安定さに直面し、真実のフィードバックがなければ、小さな偏差は再帰的に結合し、ばらつきを引き起こす。 これらの制約を解決するために,ハイブリッドSARIMA-LSTMアーキテクチャを提案する。 このフレームワークは、残留学習戦略を用いて、温度を予測可能な気候成分と非線形気象成分に分解する。 SARIMAユニットは堅牢で長期の季節トレンドをモデル化し、LSTMはSARIMAが捕捉できない非線形誤差のみに基づいて訓練されている。 統計的安定性と神経可塑性を融合させることで、このハイブリッドアプローチはエラーの伝播を最小化し、長い水平精度を高める。

関連論文リスト

• Interpretable Time Series Autoregression for Periodicity Quantification [18.6300875919604]
  時系列自動回帰(英: Time series autoregression、AR)は、実世界のシステムにおける自動相関と周期構造のための古典的なツールである。 SAR(sparse autoregression)を導入してこのモデルを再検討し、支配的な周期を分離するために$ell$-norm制約を用いる。 大規模移動・気候時系列の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-06-28T14:17:11Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
  現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。 不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。 我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)
• Short-term daily precipitation forecasting with seasonally-integrated autoencoder [0.0]
  2つの長期メモリ(LSTM)オートエンコーダからなる季節統合オートエンコーダ(SSAE)を提案する。 実験結果から,SSAEは気候によらず様々な時系列モデルに優れるだけでなく,他の深層学習モデルと比較して出力のばらつきも低いことがわかった。
  論文  参考訳（メタデータ） (2021-01-23T14:19:56Z)

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。