Fugu-MT 論文翻訳(概要): A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity

論文の概要: A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity

arxiv url: http://arxiv.org/abs/2603.23282v1
Date: Tue, 24 Mar 2026 14:47:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-25 19:53:37.541674
Title: A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity
Title（参考訳）: 大気温度と相対湿度の時間予測のための機械学習モデルの比較検討
Abstract要約: 本研究は,中国重慶市の大気温度と相対湿度を予測する機械学習モデル7つを比較した。 XGBoostは、テスト平均絶対誤差(MAE)が0.302Cで、相対湿度が1.271%である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate short-term forecasting of air temperature and relative humidity is critical for urban management, especially in topographically complex cities such as Chongqing, China. This study compares seven machine learning models: eXtreme Gradient Boosting (XGBoost), Random Forest, Support Vector Regression (SVR), Multi-Layer Perceptron (MLP), Decision Tree, Long Short-Term Memory (LSTM) networks, and Convolutional Neural Network (CNN)-LSTM (CNN-LSTM), for hourly prediction using real-world open data. Based on a unified framework of data preprocessing, lag-feature construction, rolling statistical features, and time-series validation, the models are systematically evaluated in terms of predictive accuracy and robustness. The results show that XGBoost achieves the best overall performance, with a test mean absolute error (MAE) of 0.302 °C for air temperature and 1.271% for relative humidity, together with an average R2 of 0.989 across the two forecasting tasks. These findings demonstrate the strong effectiveness of tree-based ensemble learning for structured meteorological time-series forecasting and provide practical guidance for intelligent meteorological forecasting in mountainous cities.
Abstract（参考訳）: 大気温度と相対湿度の正確な短期予測は、特に中国重慶市のような地形学的に複雑な都市において、都市経営に不可欠である。本研究は,eXtreme Gradient Boosting (XGBoost), Random Forest, Support Vector Regression (SVR), Multi-Layer Perceptron (MLP), Decision Tree, Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN)-LSTM (CNN-LSTM)の7つの機械学習モデルを比較した。データ前処理、ラグ機能構築、ローリング統計特徴、時系列検証の統一的な枠組みに基づいて、これらのモデルは予測精度とロバスト性の観点から体系的に評価される。その結果、XGBoostは大気温度0.302 °C、相対湿度1.271%の絶対誤差(MAE)と2つの予測タスクの平均R2 0.989の総合的な性能を達成した。これらの結果は,構造的気象時系列予測における木に基づくアンサンブル学習の強い効果を示し,山間部におけるインテリジェント気象予測の実践的ガイダンスを提供する。

関連論文リスト

FuXiWeather2: Learning accurate atmospheric state estimation for operational global weather forecasting [15.10103712842682]
本稿では、同化と予測のための統合エンドツーエンドニューラルネットワークフレームワークFuXiWeather2を提案する。 FuXiWeather2は、高解像度(0.25円)のグローバル分析フィールドと10日間の予測を数分で生成する。これらの高品質な分析フィールドは、評価指標の91%において、HRESシステムのスキルを超える決定論的予測を駆動する。
論文参考訳（メタデータ） (2026-03-16T14:36:47Z)
Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
論文参考訳（メタデータ） (2024-12-11T00:42:31Z)
Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
論文参考訳（メタデータ） (2024-09-14T11:06:07Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
論文参考訳（メタデータ） (2024-05-09T16:42:13Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文参考訳（メタデータ） (2021-02-01T08:30:42Z)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。