論文の概要: F10.7 Index Prediction: A Multiscale Decomposition Strategy with Wavelet Transform for Performance Optimization

• arxiv url: http://arxiv.org/abs/2602.20712v1
• Date: Tue, 24 Feb 2026 09:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.692005
• Title: F10.7 Index Prediction: A Multiscale Decomposition Strategy with Wavelet Transform for Performance Optimization
• Title（参考訳）: F10.7 Index Prediction: 性能最適化のためのウェーブレット変換を用いたマルチスケール分解戦略
• Authors: Xuran Ma, Xuebao Li, Yanfang Zheng, Yongshang Lv, Xiaojia Ji, Jiancheng Xu, Hongwei Ye, Zixian Wu, Shuainan Yan, Liang Dong, Zamri Zainal Abidin, Xusheng Huang, Shunhuang Zhang, Honglei Jin, Tarik Abdul Latef, Noraisyah Mohamed Shah, Mohamadariff Othman, Kamarul Ariffin Noordin,
• Abstract要約: ウェーブレット分解を用いた新しいF10.7指数予測法を提案する。 我々は、予測性能への影響を評価するために、国際太陽黒点数(ISN)とそのウェーブレット分解信号を組み込んだ。
• 参考スコア（独自算出の注目度）: 0.9479454833578949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we construct Dataset A for training, validation, and testing, and Dataset B to evaluate generalization. We propose a novel F10.7 index forecasting method using wavelet decomposition, which feeds F10.7 together with its decomposed approximate and detail signals into the iTransformer model. We also incorporate the International Sunspot Number (ISN) and its wavelet-decomposed signals to assess their influence on prediction performance. Our optimal method is then compared with the latest method from S. Yan et al. (2025) and three operational models (SWPC, BGS, CLS). Additionally, we transfer our method to the PatchTST model used in H. Ye et al. (2024) and compare our method with theirs on Dataset B. Key findings include: (1) The wavelet-based combination methods overall outperform the baseline using only F10.7 index. The prediction performance improves as higher-level approximate and detail signals are incrementally added. The Combination 6 method integrating F10.7 with its first to fifth level approximate and detail signals outperforms methods using only approximate or detail signals. (2) Incorporating ISN and its wavelet-decomposed signals does not enhance prediction performance. (3) The Combination 6 method significantly surpasses S. Yan et al. (2025) and three operational models, with RMSE, MAE, and MAPE reduced by 18.22%, 15.09%, and 8.57%, respectively, against the former method. It also excels across four different conditions of solar activity. (4) Our method demonstrates superior generalization and prediction capability over the method of H. Ye et al. (2024) across all forecast horizons. To our knowledge, this is the first application of wavelet decomposition in F10.7 prediction, substantially improving forecast performance.
• Abstract（参考訳）: 本研究では、トレーニング、検証、テストのためのデータセットAと、一般化を評価するためのデータセットBを構築する。 ウェーブレット分解を用いた新しいF10.7インデックス予測手法を提案し,その分解された近似信号と詳細信号とともにF10.7をiTransformerモデルに供給する。 また、予測性能への影響を評価するために、国際太陽黒点数(ISN)とそのウェーブレット分解信号も組み込んだ。 最適手法は,S. Yan et al (2025)とSWPC, BGS, CLSの3つの操作モデルとを比較した。 さらに,本手法をH. Ye et al (2024) で使用した PatchTST モデルに転送し,データセット B 上での手法との比較を行った。 予測性能は、高レベル近似信号とディテール信号が漸進的に加算されるにつれて向上する。 F10.7とF10.7をその第1から第5のレベルで近似し、ディテール信号は近似信号またはディテール信号のみを用いる方法よりも優れる。 2) Incorporating ISN and its wavelet-decomposed signals not enhance prediction performance。 (3) 組み合わせ6法はS. Yan et al(2025年)とRMSE, MAE, MAPEの3つの運用モデルを大きく上回り,それぞれ18.22%, 15.09%, 8.57%削減された。 また、太陽活動の4つの異なる条件にまたがっている。 (4)本手法は,H. Ye et al (2024) の予測地平線を横断する手法よりも優れた一般化と予測能力を示す。 我々の知る限り、これはF10.7予測におけるウェーブレット分解の最初の応用であり、予測性能を大幅に改善した。

関連論文リスト

• A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
  時系列異常検出は、現代のデジタルインフラにとって重要である。 本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。 Numenta Anomaly Benchmark の最初の完全評価を行う。
  論文  参考訳（メタデータ） (2025-10-13T08:31:42Z)
• Leveraging GNN to Enhance MEF Method in Predicting ENSO [0.4199844472131922]
  アンサンブルの80人全員の類似性を直接モデル化するために,グラフ解析を用いたより良いフレームワークを提案する。 コミュニティ検出手法を用いて20名のメンバを最適化したサブセットを得る。 この方法は、ノイズ除去とアンサンブルコヒーレンスに重点を置くことにより予測スキルを向上させる。
  論文  参考訳（メタデータ） (2025-08-10T16:16:58Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Visual Fourier Prompt Tuning [63.66866445034855]
  本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。 提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。 提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-02T18:18:35Z)
• Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis [0.0]
  本研究では、時系列電流信号をウェーブレット変換により時間周波数2D表現に変換する。 この研究はWT-Amor、WT-Bump、WT-Morse、WSST-Amor、WSST-Bumpの5つの技術を用いている。 WT-Amor、WT-Bump、WT-MorseのDLモデルは、それぞれ90.93、89.20、93.73%のピークモデル精度で顕著な効果を示した。
  論文  参考訳（メタデータ） (2024-08-19T02:06:33Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• ScopeFlow: Dynamic Scene Scoping for Optical Flow [94.42139459221784]
  我々は,光流の一般的なトレーニングプロトコルを変更することを提案する。 この改善は、挑戦的なデータをサンプリングする際のバイアスを観察することに基づいている。 トレーニングプロトコルでは,正規化と拡張の双方が減少することが判明した。
  論文  参考訳（メタデータ） (2020-02-25T09:58:49Z)

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。