論文の概要: Visibility nowcasting in South Korea: a machine learning approach to class imbalance and distribution shift

• arxiv url: http://arxiv.org/abs/2605.21507v1
• Date: Sat, 09 May 2026 16:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.995796
• Title: Visibility nowcasting in South Korea: a machine learning approach to class imbalance and distribution shift
• Title（参考訳）: 韓国における可視性放送 : クラス不均衡と分布シフトに対する機械学習アプローチ
• Abstract要約: 大気の可視性は交通安全と大気管理にとって重要な変数である。 本研究では,大韓民国の6大都市で可視性を示す機械学習フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Atmospheric visibility is a critical variable for transportation safety and air quality management, however, accurate prediction remains challenging due to the complex interactions between meteorological conditions and air pollutants, as well as the rarity of low-visibility events. This study introduces a machine learning framework to nowcast visibility in six major South Korean cities. To handle the imbalance in the 2018-2020 training data, we applied the Synthetic Minority Over-sampling Technique with Nominal and Continuous (SMOTENC) and Conditional Tabular Generative Adversarial Network (CTGAN). An ensemble approach combining machine learning and deep learning models was then used and evaluated on a 2021 test dataset. The results revealed a marked decline in predictive performance in the test set compared to the cross-validation phase. This degradation was attributed to a distributional shift between training and testing periods, which was quantitatively confirmed by measuring the Wasserstein distance of the most influential feature identified by SHAP analysis. In general, this study presents a methodology that aims to simultaneously address the dual challenges of data imbalance and temporal distributional shifts, and emphasizes the necessity of accounting for evolving external environmental factors when implementing nowcasting models on time-series data.
• Abstract（参考訳）: 大気の可視性は交通安全と大気汚染管理にとって重要な変数であるが、気象条件と大気汚染物質との複雑な相互作用と、低視認性事象の希少性により、正確な予測は依然として困難である。 本研究では,大韓民国の6大都市で可視性を示す機械学習フレームワークを紹介する。 2018-2020年のトレーニングデータの不均衡に対処するために、SMOTENC(Synthetic Minority Over-Sampling Technique with Nominal and Continuous)とCTGAN(Con Conditional Tabular Generative Adversarial Network)を適用した。 次に、機械学習とディープラーニングモデルを組み合わせたアンサンブルアプローチを使用し、2021年のテストデータセットで評価した。 その結果, クロスバリデーションフェーズと比較して, テストセットの予測性能は著しく低下した。 この劣化は、訓練期間と試験期間の分布変化によるもので、SHAP分析により同定された最も影響力のある特徴のワッサーシュタイン距離を測定することによって定量的に確認された。 本研究は,データ不均衡と時間分布シフトという2つの課題を同時に解決することを目的とした方法論を提案する。

関連論文リスト

• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria [0.44198435146063364]
  本研究では,複数汚染物質を予測するためのLong Short-Term Memory(LSTM)ネットワークとFacebook Prophetモデルを評価する。 その結果、預言者はしばしばLSTMの正確さ、特に季節的・長期的な傾向に支配されるシリーズにおいて一致または超えていることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T09:23:59Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Precipitation Nowcasting Using Diffusion Transformer with Causal Attention [3.9468501770612576]
  現在のディープラーニング手法は、条件と予測結果の効果的な依存関係を確立するのに不足している。 因果アテンションモデルを用いた拡散変圧器を用いた降雨キャスティングを提案する。
  論文  参考訳（メタデータ） (2024-10-17T08:10:41Z)
• Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
  本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。 このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
  論文  参考訳（メタデータ） (2024-09-04T13:11:59Z)
• Statistical Jump Model for Mixed-Type Data with Missing Data Imputation [0.0]
  混合型データに対する統計的ジャンプモデルを提案する。 このフレームワークには、状態持続性、解釈可能性の向上、状態スイッチの頻度の削減が含まれている。 本研究では, 広範囲なシミュレーション研究と, 空気質データへの実証的応用を通して, 本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-09-02T12:36:35Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Building Autocorrelation-Aware Representations for Fine-Scale Spatiotemporal Prediction [1.2862507359003323]
  本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。 DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。 我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
  論文  参考訳（メタデータ） (2021-12-10T03:21:19Z)
• State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting [0.0]
  我々は、電力需要予測競争の勝利戦略を提示する。 この競争は、2020年春に始まるような不安定な期間の新しい予測方法を設計するために組織された。 私たちは、標準的な統計モデルと機械学習モデルを適用するために、ステートスペースモデルに依存しています。
  論文  参考訳（メタデータ） (2021-10-01T11:57:37Z)
• 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)

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。