論文の概要: Forecasting Continuum Intensity for Solar Active Region Emergence Prediction using Transformers

• arxiv url: http://arxiv.org/abs/2601.13144v1
• Date: Mon, 19 Jan 2026 15:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.95236
• Title: Forecasting Continuum Intensity for Solar Active Region Emergence Prediction using Transformers
• Title（参考訳）: 変圧器を用いた太陽活動領域出現予測のための予測連続強度
• Authors: Jonas Tirona, Sarang Patil, Spiridon Kasapis, Eren Dogan, John Stefan, Irina N. Kitiashvili, Alexander G. Kosovichev, Mengjia Xu,
• Abstract要約: 太陽活動領域(AR)の出現の早期かつ正確な予測は、宇宙天気予報に不可欠である。 本研究では,SDO/HMIで観測された46個のARから得られたデータを用いて,最大12時間前に連続強度の進化を予測するスライディング・ウインドウ・トランスフォーマアーキテクチャについて検討する。 Conv1D層を使わずに早期検出アーキテクチャを組み込んだ最高の性能モデルは,0.1189のRoot Mean Square Error(RMSE)を達成した。 Transformerは、より優れた集約時間と精度を示すが、この高感度検出は、スムーズなベースラインモデルに比べて分散度が大きくなることに留意する。
• 参考スコア（独自算出の注目度）: 34.25104679311873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and accurate prediction of solar active region (AR) emergence is crucial for space weather forecasting. Building on established Long Short-Term Memory (LSTM) based approaches for forecasting the continuum intensity decrease associated with AR emergence, this work expands the modeling with new architectures and targets. We investigate a sliding-window Transformer architecture to forecast continuum intensity evolution up to 12 hours ahead using data from 46 ARs observed by SDO/HMI. We conduct a systematic ablation study to evaluate two key components: (1) the inclusion of a temporal 1D convolutional (Conv1D) front-end and (2) a novel `Early Detection' architecture featuring attention biases and a timing-aware loss function. Our best-performing model, combining the Early Detection architecture without the Conv1D layer, achieved a Root Mean Square Error (RMSE) of 0.1189 (representing a 10.6% improvement over the LSTM baseline) and an average advance warning time of 4.73 hours (timing difference of -4.73h), even under a stricter emergence criterion than previous studies. While the Transformer demonstrates superior aggregate timing and accuracy, we note that this high-sensitivity detection comes with increased variance compared to smoother baseline models. However, this volatility is a necessary trade-off for operational warning systems: the model's ability to detect micro-changes in precursor signals enables significantly earlier detection, outweighing the cost of increased noise. Our results demonstrate that Transformer architectures modified with early detection biases, when used without temporal smoothing layers, provide a high-sensitivity alternative for forecasting AR emergence that prioritizes advance warning over statistical smoothness.
• Abstract（参考訳）: 太陽活動領域(AR)の出現の早期かつ正確な予測は、宇宙天気予報に不可欠である。 LSTM(Long Short-Term Memory)に基づくARの出現に伴う連続体強度の減少を予測するためのアプローチを構築し,新しいアーキテクチャやターゲットを用いてモデリングを拡張する。 本研究では,SDO/HMIで観測された46個のARから得られたデータを用いて,最大12時間前に連続強度の進化を予測するスライディング・ウインドウ・トランスフォーマアーキテクチャについて検討する。 本研究では,(1)時間的1次元畳み込み(Conv1D)フロントエンドの導入,(2)注意バイアスとタイミング認識損失関数を特徴とする新しい「耳検出」アーキテクチャの2つの重要な要素を評価するために,系統的アブレーション研究を行った。 Conv1D層を使わずに早期検出アーキテクチャを組み合わせ,0.1189のRoot Mean Square Error(RMSE)を達成(LSTMベースラインよりも10.6%改善)し,従来の研究よりも厳密な出現基準の下でも平均4.73時間(4.73時間差が4.73時間であった。 Transformerは、より優れた集約時間と精度を示すが、この高感度検出は、スムーズなベースラインモデルに比べて分散度が大きくなることに留意する。 しかし、このボラティリティはオペレーショナル警告システムにとって必要なトレードオフであり、前駆体信号におけるマイクロチェンジを検出するモデルの能力は、ノイズの増加コストよりもはるかに早く検出することができる。 以上の結果から,トランスフォーマーアーキテクチャは時間的スムーズなレイヤを使わずに早期検出バイアスで修正され,統計的スムーズさよりも事前警告を優先するARの出現を予測するための高感度な代替手段が得られた。

関連論文リスト

• SARIMAX-Based Power Outage Prediction During Extreme Weather Events [9.853802100348892]
  本研究では,SARIMAXを用いた短期停電予測システムを開発した。 ミシガン州の郡から毎時のデータと、停止数と包括的な気象特性を使って、システマティックな2段階のフィーチャーエンジニアリングパイプラインを実装します。 選択した特徴は,SARIMAXモデルへの入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。
  論文  参考訳（メタデータ） (2025-11-02T17:13:58Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• ARCANE -- Early Detection of Interplanetary Coronal Mass Ejections [0.0]
  ARCANEは、ストリーミング太陽風データにおけるICME早期検出のために明示的に設計された最初のフレームワークである。 検出パイプラインはF1スコアの0.37に達し、平均検出遅延はイベントの24.5%である。
  論文  参考訳（メタデータ） (2025-05-14T13:17:45Z)
• Transformer-Based Bearing Fault Detection using Temporal Decomposition Attention Mechanism [0.40964539027092917]
  ベアリング故障検出は予測保守において重要な課題であり、正確かつタイムリーな故障識別はコストダウンや機器の損傷を防ぐことができる。 トランスフォーマーニューラルネットワークの従来の注意機構は、振動データを保持する複雑な時間パターンを捉えるのに苦労することが多く、最適以下の性能をもたらす。 本稿では,時系列データの長期依存性と周期的変動の両方を捉えるために,時間偏差符号化と季節差分解を組み合わせた新しい注意機構である時間分解注意機構(TDA)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T16:51:31Z)
• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• A Novel Hybrid Approach for Tornado Prediction in the United States: Kalman-Convolutional BiLSTM with Multi-Head Attention [9.51657235413336]
  竜巻は最も激しい大気渦現象の1つであり、検出と予測に重大な課題を提起している。 地上観測やレーダーデータに大きく依存する従来の手法は、遠距離での精度の低下や偽陽性率の上昇といった問題によって制限されている。 本研究では,Multi-Radar Multi-Sensor(MRMS)システムからSeamless Hybrid Scan Reflectivityデータセットを用いて精度を向上させる。 Kalman-Convolutional BiLSTMとMulti-Head Attentionというハイブリッドモデルを導入し、動的状態推定を改善し、データ内の空間的および時間的依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-08-05T18:11:23Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。