論文の概要: Stochastic weather generators for high-frequency wind vector time series

• arxiv url: http://arxiv.org/abs/2606.09941v1
• Date: Mon, 08 Jun 2026 00:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.0731
• Title: Stochastic weather generators for high-frequency wind vector time series
• Title（参考訳）: 高周波風速ベクトル時系列のための確率的気象発生装置
• Authors: Mingshi Cui, Kevin Eng, Justin T. Greene, Zern Ke, Abolfazl Sodagartojgi, Zhiqiu Xia, Gemma E. Moran, Michael L. Stein,
• Abstract要約: この研究は、オクラホマ州ラモントの現場で、現実的な表面風ベクトルの時系列を生成するための機械学習モデルの開発である。 このような発電機は様々な分野、特に風力エネルギーのモデルへの入力として使用できる。
• 参考スコア（独自算出の注目度）: 3.327781130632164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface winds can vary substantially from one minute to the next, so there is scope for studying its variation on this fine time scale. Restricting to the month of June to minimize seasonality, this work develops a range of machine learning models for generating realistic time series of surface wind vectors at a site in Lamont, Oklahoma based on more than 30 years of high quality measurements at the minute time scale. Such a generator could be used as an input into models from a range of disciplines, notably for wind energy, but also wildfire spread and aviation, among others. The data show complex diurnal structures in both wind speed and direction that would be challenging to capture with standard time series models, so we consider a number of machine learning approaches to producing a stochastic wind generator based on time vector-quantized variational autoencoders. We consider generating a day's worth of data at a time and generating a day of wind vectors conditional on the previous day's winds. We also study methods for incorporating a discrete weather state variable in the generator. We evaluate the generators using a wide range of formal and informal methods. The best of these generators can capture many but not all of the complex features present in the observational data. In particular, the best of our approaches accurately mimic diurnal changes in wind volatility but struggle to match the observed distribution of extreme wind speeds.
• Abstract（参考訳）: 表面の風は1分から次へと大きく変化するため、この微細な時間スケールでその変動を研究するための範囲がある。 この研究は6月に限って、オクラホマ州ラモントのサイトにおいて、30年以上にわたる高品質な測定を微小な時間スケールで行うことによって、現実的な表面風ベクトルの時系列を生成する機械学習モデルを開発しました。 このような発電機は様々な分野、特に風力エネルギーのモデルへの入力として使用することができ、また山火事の拡散や航空などにも利用できる。 風速と方向の複雑な日周構造を標準時系列モデルで捉えるのが困難であることを示すため,時間ベクトル量子変分オートエンコーダに基づく確率的風速生成のための機械学習手法を多数検討する。 我々は,1日分のデータを1回に生成し,前日の風速を条件に1日分の風ベクトルを生成することを検討する。 また、発電機に個別の気象状態変数を組み込む方法についても検討した。 我々は,多種多様な形式的手法と非公式手法を用いて発電機の評価を行った。 これらのジェネレータの中で最も優れたものは、観測データに存在する複雑な特徴の多くを捉えることができるが、全てを捉えることはできない。 特に, 風速変動の日内変化を正確に再現する手法では, 観測された極端風速分布の一致に苦慮する。

関連論文リスト

• WindFM: An Open-Source Foundation Model for Zero-Shot Wind Power Forecasting [18.100611997642257]
  本稿では,風力発電予測のための軽量かつ生成的基礎モデルであるWindFMを紹介する。 WindFMは、これらのトークンシーケンスを自己回帰的に事前学習することで、風力発電のダイナミクスの普遍的な表現を学習する。 本実験は,WindFMが決定的タスクと確率的タスクの両方において,最先端のゼロショット性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-09-08T03:26:18Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV [29.345342470012724]
  計算流体力学シミュレーションの合成データのみを用いてニューラルネットワークであるWindSeerを訓練する。 WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を、再トレーニングすることなく生成することができる。 本研究では,気象観測所が収集した過去の風速と,ドローンによる風速の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2024-01-18T12:46:26Z)
• An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
  我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。 我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。 提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
  論文  参考訳（メタデータ） (2023-02-12T10:05:25Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Machine learning based automated identification of thunderstorms from anemometric records using shapelet transform [0.0]
  本論文では,機械学習技術を用いて雷雨を自律的に識別・分離する新しい研究手法を提案する。 機械学習アルゴリズムと組み合わせた新しい形状に基づく表現は、実用的なイベント検出手順をもたらす。 この手法により,雷雨に関連する非定常記録を235件同定した。
  論文  参考訳（メタデータ） (2021-01-10T11:06:41Z)

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。