論文の概要: Improving Model Performance by Adapting the KGE Metric to Account for System Non-Stationarity

• arxiv url: http://arxiv.org/abs/2604.03906v1
• Date: Sun, 05 Apr 2026 00:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.830167
• Title: Improving Model Performance by Adapting the KGE Metric to Account for System Non-Stationarity
• Title（参考訳）: システム非定常性を考慮したKGE基準の適用によるモデル性能の向上
• Authors: M Jawad, HV Gupta, YH Wang, MA Farmani, A Behrangi, GY Niu,
• Abstract要約: 地質学的システムは時間的非定常性によって特徴づけられる傾向がある。 従来のメトリクスは、システムのダイナミクスの時間的シフトを適切に説明できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geoscientific systems tend to be characterized by pronounced temporal non-stationarity, arising from seasonal and climatic variability in hydrometeorological drivers, and from natural and anthropogenic changes to land use and cover. As has been pointed out, such variability renders "the assumption of statistical stationarity obsolete in water management", and requires us to "account for, rather than ignore, non-stationary trends" in the data. However, metrics used for model development are typically based on the implicit and unjustifiable assumption that the data generating process is time-stationary. Here, we introduce the JKGE_ss metric (adapted from KGE_ss) that detects and accounts for dynamical non-stationarity in the statistical properties of the data and thereby improves information extraction and model performance. Unlike NSE and KGE_ss, which use the long-term mean as a benchmark against which to evaluate model efficiency, JKGE_ss emphasizes reproduction of temporal variations in system storage. We tested the robustness of the new metric by training physical-conceptual and data-based catchment-scale models of varying complexity across a wide range of hydroclimatic conditions, from recent-precipitation-dominated to snow-dominated to strongly arid. In all cases, the result was improved reproduction of system temporal dynamics at all time scales, across wet to dry years, and over the full range of flow levels (especially recession periods). Since traditional metrics fail to adequately account for temporal shifts in system dynamics, potentially resulting in misleading assessments of model performance under changing conditions, we recommend the adoption of JKGE_ss for geoscientific model development.
• Abstract（参考訳）: 地質学的なシステムの特徴は、水理学的なドライバの季節的・気候的変動や、自然的・人為的変化から土地利用やカバーまで、時間的非定常性である。 指摘されているように、そのような変動性は「水管理において時代遅れの統計的定常性の仮定」を示し、データの中で「非定常的傾向を無視するよりはむしろ無視する」必要がある。 しかし、モデル開発に使用されるメトリクスは典型的には、データ生成プロセスが時間定常であるという暗黙的かつ不当な仮定に基づいている。 ここでは、データの統計特性における動的非定常性を検出し、説明するJKGE_ssメトリック(KGE_ssから適応)を導入し、情報抽出とモデル性能を向上させる。 モデル効率を評価するベンチマークとして長期平均を用いたNSEやKGE_ssとは異なり、JKGE_ssはシステムストレージにおける時間変動の再現を強調している。 我々は,近年の降雪支配から降雪支配から強乾燥に至るまで,様々な水温条件の物理概念およびデータに基づく捕集スケールモデルの訓練により,新しい指標のロバスト性を検証した。 いずれの場合も, あらゆる時間スケール, 湿潤から乾燥年, フローレベル(特に不況期)の再現性が改善された。 従来の指標ではシステムダイナミクスの時間的変化を適切に考慮できないため,変化条件下でのモデル性能評価の誤解を招く可能性があるため,地学的なモデル開発にJKGE_ssを採用することを推奨する。

関連論文リスト

• Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction [0.0]
  長期の大気変数を正確に予測することは、気象学における決定的な課題である。 温度を予測可能な気候成分と非線形気象成分に分解する残差学習戦略を用いたハイブリッドSARIMA-LSTMアーキテクチャを提案する。 この枠組みは、残留学習戦略を用いて、温度を予測可能な気候成分と非線形気象成分に分解する。
  論文  参考訳（メタデータ） (2026-01-12T19:34:51Z)
• DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process [8.665001359628592]
  現実世界のデータセットは、しばしば進化するデータ分布を特徴とする時間的ダイナミクスを示す。 コンセプトドリフトと呼ばれるこの現象を無視することは、モデルの予測精度を著しく低下させる。 Drift-Aware Online Process (GP) は、新規で、完全に適応的で、超自由で、スパースな非線形回帰モデルである。
  論文  参考訳（メタデータ） (2025-12-09T18:12:38Z)
• Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting [0.9208007322096533]
  自動相関誤差を伴う線形回帰における変数選択のためのベイズ的フレームワークを開発する。 本フレームワークは,MSPEの低減,真のモデル成分同定の改善,自動相関ノイズとの整合性の向上を実現している。 既存の手法と比較して,本フレームワークはより低いMSPEを実現し,真のモデル成分の同定が向上し,自動相関ノイズとの整合性が向上する。
  論文  参考訳（メタデータ） (2025-08-12T18:44:36Z)
• Decomposition of Water Demand Patterns Using Skewed Gaussian Distributions for Behavioral Insights and Operational Planning [0.0]
  本研究では,スキュードガウス分布(SGD)を用いた都市水需要パターンの分解手法を提案する。 SGDはピーク振幅、タイミング(平均)、拡散(デューレーション)、歪(非対称性)などの解釈可能なパラメータで各ピークを特徴づける この詳細なピークレベルの分解は、例えば異常や漏洩検知、リアルタイム需要管理、戦略的分析といった、運用上のアプリケーションの両方を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T17:00:53Z)
• 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)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して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） (2024-02-26T04:39:01Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。