論文の概要: Turning mechanistic models into forecasters by using machine learning

• arxiv url: http://arxiv.org/abs/2602.04114v1
• Date: Wed, 04 Feb 2026 01:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.329901
• Title: Turning mechanistic models into forecasters by using machine learning
• Title（参考訳）: 機械学習による機械モデルから予測モデルへの変換
• Authors: Amit K. Chakraborty, Hao Wang, Pouria Ramazi,
• Abstract要約: 時間変化パラメータを用いた複雑な力学系の予測モデルを開発した。 我々のモデルは、時系列の学習において平均的な絶対誤差を3%以下、最大1ヶ月前に予測するために6%以下を達成する。 本研究は,時間変化パラメータをデータ駆動型微分方程式の発見に組み込むことで,モデリング精度と予測性能が向上することを示した。
• 参考スコア（独自算出の注目度）: 5.9650173644260605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The equations of complex dynamical systems may not be identified by expert knowledge, especially if the underlying mechanisms are unknown. Data-driven discovery methods address this challenge by inferring governing equations from time-series data using a library of functions constructed from the measured variables. However, these methods typically assume time-invariant coefficients, which limits their ability to capture evolving system dynamics. To overcome this limitation, we allow some of the parameters to vary over time, learn their temporal evolution directly from data, and infer a system of equations that incorporates both constant and time-varying parameters. We then transform this framework into a forecasting model by predicting the time-varying parameters and substituting these predictions into the learned equations. The model is validated using datasets for Susceptible-Infected-Recovered, Consumer--Resource, greenhouse gas concentration, and Cyanobacteria cell count. By dynamically adapting to temporal shifts, our proposed model achieved a mean absolute error below 3\% for learning a time series and below 6\% for forecasting up to a month ahead. We additionally compare forecasting performance against CNN-LSTM and Gradient Boosting Machine (GBM), and show that our model outperforms these methods across most datasets. Our findings demonstrate that integrating time-varying parameters into data-driven discovery of differential equations improves both modeling accuracy and forecasting performance.
• Abstract（参考訳）: 複雑な力学系の方程式は、特に基礎となるメカニズムが不明な場合、専門家の知識では特定できない。 データ駆動探索法は、測定変数から構築された関数のライブラリを用いて時系列データから支配方程式を推定することにより、この問題に対処する。 しかし、これらの手法は典型的には時間不変係数を仮定し、進化する系の力学を捉える能力を制限する。 この制限を克服するために、パラメータのいくつかは時間とともに変化させ、データから直接時間的進化を学習し、定数パラメータと時間変化パラメータの両方を含む方程式の系を推論する。 次に、時間変化パラメータを予測し、これらの予測を学習方程式に置換することにより、この枠組みを予測モデルに変換する。 このモデルは、サセプティブル感染回収、消費者資源、温室効果ガス濃度、Cyanobacteria細胞数などのデータセットを用いて検証されている。 時間的シフトに動的に適応することにより,提案モデルでは,時系列学習において平均絶対誤差が3\%以下,予測において最大1ヶ月前倒しで6\%以下に達した。 さらに, CNN-LSTM と Gradient Boosting Machine (GBM) の予測性能を比較し, モデルがほとんどのデータセットでこれらの手法より優れていることを示す。 本研究は,時間変化パラメータをデータ駆動型微分方程式の発見に組み込むことで,モデリング精度と予測性能が向上することを示した。

関連論文リスト

• 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)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Modulated Neural ODEs [32.2290908839375]
  変動の静的因子から動的状態を分離する新しいフレームワークであるModulated Neural ODEs (MoNODEs)を紹介する。 振動系,ビデオおよび人間の歩行軌跡でMoNODEを試験し,各軌跡に軌跡特異的な変調が認められた。
  論文  参考訳（メタデータ） (2023-02-26T08:26:01Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Extracting Dynamical Models from Data [0.0]
  システムの基盤となるダイナミクスを決定するという問題は、その状態のデータだけを時間とともに与えることによって、何十年もの間科学者に挑戦してきた。 本稿では,機械学習を用いて位相空間変数の更新をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:55:06Z)
• Training Structured Mechanical Models by Minimizing Discrete Euler-Lagrange Residual [36.52097893036073]
  structured mechanical models (smms) は、機械システムのデータ効率の良いブラックボックスパラメータ化である。 離散オイラーラグランジュ残差を最小化することにより,SMMをデータに適用する手法を提案する。 実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
  論文  参考訳（メタデータ） (2021-05-05T00:44:01Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。

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。