論文の概要: TRAKNN: Efficient Trajectory Aware Spatiotemporal kNN for Rare Meteorological Trajectory Detection

• arxiv url: http://arxiv.org/abs/2603.02059v1
• Date: Mon, 02 Mar 2026 16:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.979327
• Title: TRAKNN: Efficient Trajectory Aware Spatiotemporal kNN for Rare Meteorological Trajectory Detection
• Title（参考訳）: TRAKNN : レア気象軌道検出のための時空間kNN
• Authors: Guillaume Coulaud, Davide Faranda,
• Abstract要約: 風雨や熱波などの極度の気象現象は、持続的な大気循環パターンによって引き起こされる。 時間的データ中の幾何学的に稀な短軌跡を検出するための,完全に教師なしかつデータに依存しないフレームワークであるTRAKNNを提案する。 欧州の毎日の海面圧力データについて,75年間のアプローチを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme weather events, such as windstorms and heatwaves, are driven by persistent atmospheric circulation patterns that evolve over several consecutive days. While traditional circulation-based studies often focus on instantaneous atmospheric states, capturing the temporal evolution, or trajectory, of these spatial fields is essential for characterizing rare and potentially impactful atmospheric behavior. However, performing an exhaustive similarity search on multi-decadal, continental-scale gridded datasets presents significant computational and memory challenges. In this paper, we propose TRAKNN (TRajectory Aware KNN), a fully unsupervised and data-agnostic framework for detecting geometrically rare short trajectories in spatio-temporal data with an exact kNN approach. TRAKNN leverages a recurrence-based algorithm that decouples computational complexity from trajectory length and efficient batch operations, maximizing computational intensity. These optimizations enable exhaustive analysis on standard workstations, either on CPU or on GPU. We evaluate our approach on 75 years of daily European sea-level pressure data. Our results illustrate that rare trajectories identified by TRAKNN correspond to physically coherent atmospheric anomalies and align with independent extreme-event databases.
• Abstract（参考訳）: 風雨や熱波などの極度の気象現象は、数日間連続して進化する大気循環パターンによって引き起こされる。 伝統的な循環に基づく研究は、時空間の進化や軌道を捉えながら、瞬間的な大気状態に焦点を当てることが多いが、これらの空間場は希少で潜在的に影響のある大気の振る舞いを特徴づけるのに不可欠である。 しかし、大陸規模のグリッド化された多分野のデータセットで網羅的な類似性探索を行うことで、計算と記憶に重大な課題が生じる。 本稿では,正確なkNNアプローチで時空間データ中の幾何学的に稀な短軌跡を検出するための,完全に教師なしかつデータに依存しないフレームワークであるTRAKNN(TRajectory Aware KNN)を提案する。 TRAKNNは、計算複雑性を軌道長と効率的なバッチ操作から切り離し、計算強度を最大化する再帰アルゴリズムを利用する。 これらの最適化により、CPUまたはGPU上の標準ワークステーションの徹底的な分析が可能になる。 欧州の毎日の海面圧力データについて,75年間のアプローチを評価した。 TRAKNNによって同定された希少な軌跡は,物理的に整合した大気異常に対応し,独立した極端変動データベースと整合することを示す。

関連論文リスト

• Interactive Atmospheric Composition Emulation for Next-Generation Earth System Models [0.0]
  地球系モデル(ESM)のインタラクティブシミュレーションは、各段階ごとに多数のガスやエアロゾルを輸送するため、計算コストがかかる。 我々は、機械学習(ML)を使用してModelE NINTトレーサバージョンを拡張し、インタラクティブなエミッションをエミュレートするSmartINTを作成する。 Smart NINTは、気象データを入力としてMLを用いてインタラクティブに濃度を計算し、完全な物理パラメータ化を避ける。
  論文  参考訳（メタデータ） (2025-10-12T15:18:37Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection [0.138120109831448]
  本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。 調査中のモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
  論文  参考訳（メタデータ） (2024-03-19T16:08:27Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction [16.530361912832763]
  本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。 提案手法は,既存の最先端手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-11-15T01:22:47Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• A CNN-LSTM Architecture for Marine Vessel Track Association Using Automatic Identification System (AIS) Data [2.094022863940315]
  本研究では,トラックアソシエーションのための1次元CNN-LSTMアーキテクチャに基づくフレームワークを提案する。 提案した枠組みは、自動識別システム(AIS)を介して収集された船舶の位置と動きデータを入力とし、最も可能性の高い船舶軌道をリアルタイムで出力として返す。
  論文  参考訳（メタデータ） (2023-03-24T15:26:49Z)
• Spacecraft Anomaly Detection with Attention Temporal Convolution Network [19.127630728690534]
  時空間畳み込みネットワーク(TCN)に基づく宇宙船の時系列データに対する異常検出フレームワークを提案する。 まず、変数と時系列の間の複雑な相関をモデル化するために、動的グラフ注意を用いる。 第2に、並列処理能力を有する時間畳み込みネットワークを用いて、下流予測タスクのテキストカラーブルーを多次元的に抽出する。
  論文  参考訳（メタデータ） (2023-03-13T05:54:01Z)
• Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
  イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。 本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。 これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。 我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
  論文  参考訳（メタデータ） (2022-09-27T06:00:52Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。