論文の概要: FDN: Interpretable Spatiotemporal Forecasting with Future Decomposition Networks

• arxiv url: http://arxiv.org/abs/2606.25201v1
• Date: Tue, 23 Jun 2026 21:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.15985
• Title: FDN: Interpretable Spatiotemporal Forecasting with Future Decomposition Networks
• Title（参考訳）: FDN:将来の分解ネットワークによる時空間予測の解釈
• Authors: Nicholas Majeske, Ariful Azad,
• Abstract要約: 本稿では,解釈可能な予測を提供する新しい予測モデルであるFuture Decomposition Network (FDN)を提案する。 我々は、水文学、交通学、エネルギーシステムから得られた複数のデータセットに対するFDNの総合的な分析を行い、その精度と解釈可能性の向上を実証した。
• 参考スコア（独自算出の注目度）: 1.5657704895262816
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatiotemporal systems comprise a collection of spatially distributed yet interdependent entities each generating unique dynamic signals. Highly sophisticated methods have been proposed in recent years delivering state-of-the-art (SOTA) forecasts but few have focused on interpretability. To address this, we propose the Future Decomposition Network (FDN), a novel forecast model capable of (a) providing interpretable predictions through classification (b) revealing latent activity patterns in the target time-series and (c) delivering forecasts competitive with SOTA methods at a fraction of their memory and runtime cost. We conduct comprehensive analyses on FDN for multiple datasets from hydrologic, traffic, and energy systems, demonstrating its improved accuracy and interpretability.
• Abstract（参考訳）: 時空間系は空間的に分布するが、相互依存するエンティティの集合からなり、それぞれ独自の動的信号を生成する。 近年、最先端のSOTA(State-of-the-art)予測を提供する高度な手法が提案されているが、解釈可能性に重点を置いているものはほとんどない。 そこで我々は,新しい予測モデルであるFuture Decomposition Network (FDN)を提案する。 (a)分類を通して解釈可能な予測を提供する (b)対象時間帯における潜伏活動パターンを明らかにして (c) SOTAメソッドと競合する予測を、メモリとランタイムコストのごく一部で配信する。 我々は、水文学、交通学、エネルギーシステムから得られた複数のデータセットに対するFDNの総合的な分析を行い、その精度と解釈可能性の向上を実証した。

関連論文リスト

• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes [2.3759432635713895]
  本稿では,新しい交通予測モデルを用いた効率的な霧分散推論システムであるMultiGranGranSTG-Fogを提案する。 提案アルゴリズムは,生成した動的トラヒックグラフ上でのGA-Fog機能融合を利用して,トラフィックのダイナミクスをフルキャプチャする。 実世界のデータセットに対する大規模な実験は、提案手法が選択されたGCNベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-02T13:55:22Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
  本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。 我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。 我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-04T16:10:55Z)
• 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。