論文の概要: MP-MoE: Matrix Profile-Guided Mixture of Experts for Precipitation Forecasting

• arxiv url: http://arxiv.org/abs/2603.25046v1
• Date: Thu, 26 Mar 2026 05:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.119343
• Title: MP-MoE: Matrix Profile-Guided Mixture of Experts for Precipitation Forecasting
• Title（参考訳）: MP-MoE: 析出予測の専門家のマトリックスプロファイル誘導混合
• Authors: Huyen Ngoc Tran, Dung Trung Tran, Hong Nguyen, Xuan Vu Phan, Nam-Phong Nguyen,
• Abstract要約: 本稿では,MP-MoE(Matrix Profile-Guided Mixture of Experts)フレームワークを提案する。 MP-MoEは従来の強度損失を構造認識行列プロファイルの目的と統合する。 ベトナムの2大河川流域における降雨データセットのMP-MoEを評価する。
• 参考スコア（独自算出の注目度）: 0.9786690381850356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precipitation forecasting remains a persistent challenge in tropical regions like Vietnam, where complex topography and convective instability often limit the accuracy of Numerical Weather Prediction (NWP) models. While data-driven post-processing is widely used to mitigate these biases, most existing frameworks rely on point-wise objective functions, which suffer from the ``double penalty'' effect under minor temporal misalignments. In this work, we propose the Matrix Profile-guided Mixture of Experts (MP-MoE), a framework that integrates conventional intensity loss with a structural-aware Matrix Profile objective. By leveraging subsequence-level similarity rather than point-wise errors, the proposed loss facilitates more reliable expert selection and mitigates excessive penalization caused by phase shifts. We evaluate MP-MoE on rainfall datasets from two major river basins in Vietnam across multiple horizons, including 1-hour intensity and accumulated rainfall over 12, 24, and 48 hours. Experimental results demonstrate that MP-MoE outperforms raw NWP and baseline learning methods in terms of Mean Critical Success Index (CSI-M) for heavy rainfall events, while significantly reducing Dynamic Time Warping (DTW) values. These findings highlight the framework's efficacy in capturing peak rainfall intensities and preserving the morphological integrity of storm events.
• Abstract（参考訳）: ベトナムのような熱帯地域では、複雑な地形と対流不安定が数値気象予測(NWP)モデルの精度を制限しているため、降水予測は依然として永続的な課題である。 データ駆動のポストプロセッシングは、これらのバイアスを軽減するために広く使われているが、既存のフレームワークの多くは、小さな時間的ミスアライメントの下での‘二重ペナルティ’の影響に悩まされるポイントワイドな目的関数に依存している。 本研究では,従来の強度損失を構造認識型マトリックスプロファイルの目的と統合するフレームワークであるMatrix Profile-Guided Mixture of Experts (MP-MoE)を提案する。 ポイントワイズエラーよりもサブシーケンスレベルの類似性を活用することで、提案された損失はより信頼性の高い専門家の選択を促進し、位相シフトによる過度な罰則化を緩和する。 ベトナムの2つの主要河川流域の降水量についてMP-MoEの評価を行った。 実験の結果,MP-MoEは降雨時の平均臨界成功度指数(CSI-M)でNWPおよびベースライン学習法より優れており,動的時間ワープ(DTW)値が著しく低下していることがわかった。 これらの知見は、ピーク降雨強度を捕捉し、嵐のモルフォロジー的整合性を維持する上で、このフレームワークの有効性を強調している。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• PA-Net: Precipitation-Adaptive Mixture-of-Experts for Long-Tail Rainfall Nowcasting [30.94380402656709]
  洪水警報、農業管理、緊急対応には降水量計が不可欠である。 降雨強度によって計算予算が明示的に制御される変圧器フレームワークである降雨適応ネットワーク(PA-Net)を提案する。 ERA5の実験では、最先端のベースラインよりも一貫した改善が示され、強風と暴風雨の状況が著しく向上した。
  論文  参考訳（メタデータ） (2026-03-14T08:02:07Z)
• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Adaptive Rainfall Forecasting from Multiple Geographical Models Using Matrix Profile and Ensemble Learning [0.9786690381850356]
  本稿では, 行列プロファイルに基づく重み付きアンサンブル (MPWE) を提案する。 ベトナムの8大流域の降水量予測を用いてMPWEを評価し,5つの予測地平線にまたがる。 実験の結果,MPWEは予測誤差の平均値と標準偏差を一貫して達成していることがわかった。
  論文  参考訳（メタデータ） (2025-09-10T04:30:48Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)

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。