論文の概要: Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble

• arxiv url: http://arxiv.org/abs/2603.10453v1
• Date: Wed, 11 Mar 2026 06:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.804734
• Title: Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble
• Title（参考訳）: 壁面変形の時空間予測:多解コンvLSTM重ね合わせによる誤差蓄積の軽減
• Authors: Jihoon Kim, Heejung Youn,
• Abstract要約: 異なる入力解像度でトレーニングされた3つのConvLSTMモデルを、完全に接続されたニューラルネットワークメタリアナを使用して統合し、アンサンブルモデルを構築した。 数値結果と実測値の両方を用いて検証したところ、アンサンブルアプローチはスタンドアローンのConvLSTMモデルよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 3.7704625373713543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a multi-resolution Convolutional Long Short-Term Memory (ConvLSTM) ensemble framework that leverages diverse temporal input resolutions to mitigate error accumulation and improve long-horizon forecasting of retaining-structure behavior during staged excavation. An extensive database of lateral wall displacement responses was generated through PLAXIS2D simulations incorporating five-layered soil stratigraphy, two excavation depths (14 and 20 m), and stochastically varied geotechnical and structural parameters, yielding 2,000 time-series deflection profiles. Three ConvLSTM models trained at different input resolutions were integrated using a fully connected neural network meta-learner to construct the ensemble model. Validation using both numerical results and field measurements demonstrated that the ensemble approach consistently outperformed the standalone ConvLSTM models, particularly in long-term multi-step prediction, exhibiting reduced error propagation and improved generalization. These findings underscore the potential of multi-resolution ensemble strategies that jointly exploit diverse temporal input scales to enhance predictive stability and accuracy in AI-driven geotechnical forecasting.
• Abstract（参考訳）: 本研究では,多種多様な時間的入力分解能を利用した多段階的畳み込み長短期記憶(ConvLSTM)アンサンブルフレームワークを提案する。 5層地盤層序と2つの掘削深度 (14m, 20m) と, 地形学的および構造的パラメータを組み込んだPLAXIS2Dシミュレーションにより, 横壁変位応答の広範囲なデータベースを作成し, 2,000の時系列偏向プロファイルを得た。 異なる入力解像度でトレーニングされた3つのConvLSTMモデルを、完全に接続されたニューラルネットワークメタリアナを使用して統合し、アンサンブルモデルを構築した。 数値結果と実測値の両方を用いて検証したところ、アンサンブルアプローチはスタンドアローンのConvLSTMモデル、特に長期の多段階予測において一貫して性能を向上し、エラーの伝播が減少し、一般化が向上した。 これらの知見は、AIによる測地予測における予測安定性と精度を高めるために、多様な時間的入力尺度を共同で活用するマルチレゾリューション・アンサンブル戦略の可能性を強調している。

関連論文リスト

• MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
  実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。 MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。 パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
  論文  参考訳（メタデータ） (2026-01-29T15:35:26Z)
• Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM [4.120576565537633]
  予測プロセス監視(PPM)のための既存のディープラーニングモデルは、時間的不規則性に悩まされている。 本稿では,イベント属性とシーケンス属性を分離する2つの入力ニューラルネットワーク戦略を提案する。 提案手法の利点を実証し,実世界の堅牢なPPMアプリケーションのためのフレキシブルな設計を提供する。
  論文  参考訳（メタデータ） (2025-11-24T07:06:08Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Ab-Initio Approach to Many-Body Quantum Spin Dynamics [0.0]
  マルチレイヤ・マルチコンフィグレーション・タイム依存のHartreeフレームワークを用いて,Heisenbergモデルの多体スピンダイナミクスをシミュレートする。 解析的および正確な数値的アプローチによるベンチマークでは、ML-MCTDHは1体と2体の観測値の時間進化を正確に捉えている。 対応する絡み合い力学の挙動を解析し、量子状態の複雑さを明らかにする。
  論文  参考訳（メタデータ） (2024-11-20T10:42:35Z)
• Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
  本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。 我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。 提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
  論文  参考訳（メタデータ） (2024-06-06T05:27:33Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)

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。