論文の概要: Spatiotemporal System Forecasting with Irregular Time Steps via Masked Autoencoder

• arxiv url: http://arxiv.org/abs/2603.25597v1
• Date: Thu, 26 Mar 2026 16:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.373452
• Title: Spatiotemporal System Forecasting with Irregular Time Steps via Masked Autoencoder
• Title（参考訳）: マスク付きオートエンコーダによる不規則時間ステップによる時空間システム予測
• Authors: Kewei Zhu, Yanze Xin, Jinwei Hu, Xiaoyuan Cheng, Yiming Yang, Sibo Cheng,
• Abstract要約: 物理時空間マスケオートエンコーダは、不規則時系列に最適化されたマスク付きオートエンコーダと空間特徴抽出のための畳み込みオートエンコーダを統合する。 本手法は,複数のシミュレーションデータセットと実世界の海洋温度データを用いて評価する。 このモデルは、気候モデリング、流体力学、海洋予測、環境モニタリング、科学計算など、ドメイン固有の知識を必要とせずに複雑な時間パターンをキャプチャする可能性を示している。
• 参考スコア（独自算出の注目度）: 36.06018466897679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting high-dimensional dynamical systems with irregular time steps presents significant challenges for current data-driven algorithms. These irregularities arise from missing data, sparse observations, or adaptive computational techniques, reducing prediction accuracy. To address these limitations, we propose a novel method: a Physics-Spatiotemporal Masked Autoencoder. This method integrates convolutional autoencoders for spatial feature extraction with masked autoencoders optimised for irregular time series, leveraging attention mechanisms to reconstruct the entire physical sequence in a single prediction pass. The model avoids the need for data imputation while preserving physical integrity of the system. Here, 'physics' refers to high-dimensional fields generated by underlying dynamical systems, rather than the enforcement of explicit physical constraints or PDE residuals. We evaluate this approach on multiple simulated datasets and real-world ocean temperature data. The results demonstrate that our method achieves significant improvements in prediction accuracy, robustness to nonlinearities, and computational efficiency over traditional convolutional and recurrent network methods. The model shows potential for capturing complex spatiotemporal patterns without requiring domain-specific knowledge, with applications in climate modelling, fluid dynamics, ocean forecasting, environmental monitoring, and scientific computing.
• Abstract（参考訳）: 不規則な時間ステップを持つ高次元力学系の予測は、現在のデータ駆動アルゴリズムに重大な課題をもたらす。 これらの不規則性は、不足したデータ、スパース観測、あるいは適応的な計算技術から生じ、予測精度を低下させる。 これらの制約に対処するために,物理時空間マスクオートエンコーダという新しい手法を提案する。 この方法は、空間的特徴抽出のための畳み込みオートエンコーダと、不規則な時系列に最適化されたマスク付きオートエンコーダを統合し、注意機構を利用して、1つの予測パスで全物理シーケンスを再構築する。 このモデルは、システムの物理的整合性を維持しながら、データ計算の必要性を回避する。 ここで「物理学」とは、明示的な物理的制約やPDE残差の強制よりも、基礎となる力学系によって生成される高次元場を指す。 本手法は,複数のシミュレーションデータセットと実世界の海洋温度データを用いて評価する。 その結果,従来の畳み込みおよび再帰的ネットワーク法よりも予測精度,非線形性に対する堅牢性,計算効率が大幅に向上したことを示す。 このモデルは、気候モデリング、流体力学、海洋予測、環境モニタリング、科学計算など、ドメイン固有の知識を必要としない複雑な時空間パターンを捉える可能性を示している。

関連論文リスト

• Turning mechanistic models into forecasters by using machine learning [5.9650173644260605]
  時間変化パラメータを用いた複雑な力学系の予測モデルを開発した。 我々のモデルは、時系列の学習において平均的な絶対誤差を3%以下、最大1ヶ月前に予測するために6%以下を達成する。 本研究は,時間変化パラメータをデータ駆動型微分方程式の発見に組み込むことで,モデリング精度と予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2026-02-04T01:00:08Z)
• Attention-Enhanced Convolutional Autoencoder and Structured Delay Embeddings for Weather Prediction [0.5729426778193397]
  本研究は,短距離気象予測のための効率的なリダクション・オーダー・モデリング(ROM)フレームワークを提案する。 大規模な計算リソースを必要とする最近のAI駆動モデルとは異なり、我々のフレームワークは適切な精度を確保しながら効率を優先する。
  論文  参考訳（メタデータ） (2025-11-16T16:53:27Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
  現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。 そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。 我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• Deep Convolutional Architectures for Extrapolative Forecast in Time-dependent Flow Problems [0.0]
  深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。 これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。 ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
  論文  参考訳（メタデータ） (2022-09-18T03:45:56Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。