論文の概要: Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction

• arxiv url: http://arxiv.org/abs/2606.19642v1
• Date: Wed, 17 Jun 2026 22:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.571598
• Title: Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction
• Title（参考訳）: 共形予測を用いた確率的AI天気予報の厳密不確実性定量化
• Authors: Anna Asch, Raphael Rossellini, Pedram Hassanzadeh, Rebecca Willett,
• Abstract要約: 確率的天気予報は人工知能(AI)によって急速に変化している 従来の数値天気予報では、計算能力は将来の状態の未知の統計分布をいかにうまく近似するかを制限することができる。 ここでは、キャリブレーションの最終的な尺度であるそのようなモデルの統計的カバレッジが、特に極端な事象において困難であることを示す。 我々は,分布的仮定のない数学的にカバレッジを保証する統計手法のクラスである共形予測を用いる。
• 参考スコア（独自算出の注目度）: 9.24882416591115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic weather forecasting is undergoing rapid transformation with artificial intelligence (AI). In traditional numerical weather prediction, computing power can limit how well ensemble forecasts approximate the unknown statistical distribution of future states. AI models facilitate larger ensembles and are trained with probabilistic considerations, ideally leading to better uncertainty quantification. Forecasts from these state-of-the-art models are often considered well-calibrated. However, here we show that the statistical coverage of such models, the ultimate measure of calibration, can struggle, especially on extreme events. To address this shortcoming, we employ conformal prediction, a class of statistical methods that mathematically guarantees coverage under no distributional assumptions, unlike previous post-processing techniques. We apply online conformal prediction to temperature and precipitation forecasts (including extremes) of three leading global weather models, GenCast, NeuralGCM, and AIFS-ENS, ensuring calibrated uncertainty at no expense to other probabilistic metrics. This post-processing method can be applied to any forecasting model.
• Abstract（参考訳）: 確率的天気予報は人工知能(AI)によって急速に変化している。 従来の数値天気予報では、計算能力は将来の状態の未知の統計分布をいかにうまく近似するかを制限することができる。 AIモデルはより大きなアンサンブルを促進し、確率論的考察で訓練され、理想的にはより良い不確実性定量化につながる。 これらの最先端モデルの予測はよく校正される。 しかし、このようなモデルの統計的カバレッジ、すなわちキャリブレーションの究極の尺度は、特に極端な事象において困難であることを示す。 この欠点に対処するために、従来のポストプロセッシング手法とは異なり、分布的仮定のない数学的にカバレッジを保証する統計手法である共形予測を用いる。 我々は、GenCast、NeuralGCM、AIFS-ENSの3つの主要な気象モデルの温度および降水予測(極端なものを含む)にオンライン整合予測を適用し、他の確率的指標を犠牲にすることなくキャリブレーションの不確実性を確保する。 この後処理方法は、任意の予測モデルに適用できる。

関連論文リスト

• Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting [0.0]
  本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
  論文  参考訳（メタデータ） (2025-09-23T15:20:03Z)
• Uncertainty quantification for data-driven weather models [0.0]
  本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。 具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。 欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:07:51Z)
• 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)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。