Fugu-MT 論文翻訳(概要): OpFML: Pipeline for ML-based Operational Forecasting

論文の概要: OpFML: Pipeline for ML-based Operational Forecasting

arxiv url: http://arxiv.org/abs/2601.11046v1
Date: Fri, 16 Jan 2026 07:25:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-19 20:21:50.393316
Title: OpFML: Pipeline for ML-based Operational Forecasting
Title（参考訳）: OpFML: MLベースの運用予測のためのパイプライン
Authors: Shahbaz Alvi, Giusy Fedele, Gabriele Accarino, Italo Epicoco, Ilenia Manco, Pasquale Schiano,
Abstract要約: 機械学習を用いた山火事の危険度評価は、過去10年間で大きな関心を集めてきた。ここでは、OpFML: Operational Forecasting with Machine Learningを紹介する。
参考スコア（独自算出の注目度）: 0.2770822269241973
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning is finding its application in a multitude of areas in science and research, and Climate and Earth Sciences is no exception to this trend. Operational forecasting systems based on data-driven approaches and machine learning methods deploy models for periodic forecasting. Wildfire danger assessment using machine learning has garnered significant interest in the last decade, as conventional methods often overestimate the risk of wildfires. In this work, we present the code OpFML: Operational Forecasting with Machine Learning. OpFML is a configurable and adaptable pipeline that can be utilized to serve a machine learning model for periodic forecasting. We further demonstrate the capabilities of the pipeline through its application to daily Fire Danger Index forecasting and outline its various features.
Abstract（参考訳）: 機械学習は、科学と研究の分野でその応用を見つけており、気候と地球科学はこの傾向に例外はない。データ駆動型アプローチと機械学習手法に基づく運用予測システムは、周期予測のためのモデルをデプロイする。従来の方法では山火事のリスクを過大評価するので、機械学習を用いた山火事の危険評価は過去10年間で大きな関心を集めてきた。本稿では,OpFML: Operational Forecasting with Machine Learningについて述べる。 OpFMLは設定可能で適応可能なパイプラインで、周期予測のための機械学習モデルに使用できる。さらに、毎日の火災危険指数の予測や、その様々な特徴を概説するアプリケーションを通じてパイプラインの機能を実証する。

関連論文リスト

PRESOL: a web-based computational setting for feature-based flare forecasting [1.759008116536278]
太陽フレアは太陽系で最も爆発的な現象であり、事象の連鎖の引き金となっている。データ駆動型太陽フレア予測は、ディープラーニングアプローチか機械学習アルゴリズムのいずれかに依存している。本稿では,特徴に基づく機械学習手法の計算パイプライン実行のためのWebベースの技術プラットフォームについて述べる。
論文参考訳（メタデータ） (2025-10-02T08:40:10Z)
UNet with Axial Transformer : A Neural Weather Model for Precipitation Nowcasting [0.06906005491572399]
本研究では,トランスフォーマーを用いた機械学習モデルを用いた降水予測手法を開発した。本稿では,次のフレーム述語領域で使用されるデータセットの初期研究について述べる。
論文参考訳（メタデータ） (2025-04-28T01:20:30Z)
Tailored Forecasting from Short Time Series via Meta-learning [0.0]
関連時系列(METAFORS)を用いた台詞予測のためのメタラーニングについて紹介する。 METAFORSはシステム全体の知識を一般化し、データ制限シナリオの予測を可能にする。我々は,MeTAFORSが文脈ラベルを必要とせずに,短期動態と長期統計の両方を確実に予測できることを実証した。
論文参考訳（メタデータ） (2025-01-27T18:58:04Z)
PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文参考訳（メタデータ） (2023-09-13T17:55:11Z)
Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文参考訳（メタデータ） (2023-07-29T22:49:50Z)
Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文参考訳（メタデータ） (2023-04-28T10:27:38Z)
Machine Learning Algorithms for Time Series Analysis and Forecasting [0.0]
時系列データは、販売記録から患者の健康進化指標まで、あらゆる場所で使用されている。様々な統計的および深層学習モデル、特にARIMA、Prophet、LSTMが検討されている。我々の研究は、誰でも予測プロセスの理解を深め、現在使われている様々な芸術モデルの状態を識別するために利用できる。
論文参考訳（メタデータ） (2022-11-25T22:12:03Z)
SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文参考訳（メタデータ） (2021-12-22T14:45:37Z)
Machine Learning for Financial Forecasting, Planning and Analysis: Recent Developments and Pitfalls [0.0]
本稿では、金融予測、計画、分析(FP&A)のための機械学習入門について述べる。我々は、FP&Aにおける機械学習に関する現在の文献をレビューし、予測と計画の両方に機械学習をどのように使用できるかをシミュレーション研究で示す。
論文参考訳（メタデータ） (2021-07-10T14:54:36Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。