論文の概要: TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2607.10410v1
• Date: Sat, 11 Jul 2026 17:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.424532
• Title: TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting
• Title（参考訳）: TSCoNet:不確実な時空間予測のための2段階CNN-LSTM
• Abstract要約: TSCoNetは2段階の畳み込みリカレントモデルであり、空間と時間の複数の変数を共同で予測するガウスのコプラと結合している。 本研究では,2000～2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。
• 参考スコア（独自算出の注目度）: 7.191212864694664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable forecasting of several interrelated environmental variables - such as regional precipitation and temperature, or other correlated geophysical fields - across many locations calls for accurate predictions accompanied by trustworthy statements of their uncertainty. Modern deep-learning models forecast such variables accurately but usually report no uncertainty, and forcing them to output uncertainty through maximum likelihood tends to degrade their accuracy, especially when the variables are strongly correlated. Motivated by this tension, we develop TSCoNet, a two-stage convolutional-recurrent model coupled with a Gaussian copula that jointly forecasts multiple variables over space and time while quantifying predictive uncertainty. The method first learns accurate mean forecasts and then, holding the mean fixed, refines a shared representation to estimate the predictive variance, yielding calibrated prediction intervals after a standard recalibration, so that uncertainty is added without sacrificing point accuracy. We study the approach on simulated non-stationary spatial fields on the sphere and on a real dataset of monthly precipitation and temperature for fifty cities over 2000-2020. The model matches the accuracy of a strong deterministic forecaster while supplying calibrated prediction intervals that the deterministic model cannot, giving a single tool that provides both accurate point forecasts and reliable uncertainty for multivariate spatio-temporal data.
• Abstract（参考訳）: 地域的降水量や気温、その他の関係した物理分野など、いくつかの関係する環境変数の信頼性の高い予測は、その不確実性の信頼できる記述を伴う正確な予測を要求する。 現代のディープラーニングモデルは、そのような変数を正確に予測するが、通常は不確実性を報告しない。 この緊張感に触発されたTSCoNetは、空間と時間の複数の変数を共同で予測し、予測の不確実性を定量化するガウスのコプラと結合した2段階の畳み込み再帰モデルである。 この方法はまず、まず正確な平均予測を学習し、平均値を保持することにより、共有表現を洗練して予測分散を推定し、標準校正後の校正予測間隔を出力し、不確実性をポイント精度を犠牲にすることなく追加する。 本研究では,2000～2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。 このモデルは、決定論的モデルでは不可能なキャリブレーションされた予測間隔を提供しながら、強い決定論的予測器の精度と一致し、多変量時空間データに対して正確な点予測と確実な不確実性を提供する単一のツールを提供する。

関連論文リスト

• Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
  2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。 TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
  論文  参考訳（メタデータ） (2026-08-11T16:22:47Z)
• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting [7.565108739173396]
  ロングホライゾンの宇宙船軌道予測は、予測系における補正観測の欠如により誤差の蓄積に悩まされる。 物理ベースの連続時間 $textitdeterministic$ forecaster を学習した連続時間 $textitprobabilistic$ Corrector で拡張するPredictor-Corrector フレームワークを紹介した。 提案手法は,NASAのリアルタイムデータを用いて,長期衛星軌道予測の枠組みを評価するものである。
  論文  参考訳（メタデータ） (2026-06-19T01:16:45Z)
• Uncertainty-Aware Solar Flare Regression [0.0]
  現在の太陽フレア予測は、その信頼性の正確な定量化を欠くことが多く、しばしば誤報を引き起こす。 宇宙天気予報の信頼性を高めるためには,モデル予測のための信頼区間を確立することが重要である。 本研究では,宇宙天気予報における回帰作業への共形予測の適用について検討する。
  論文  参考訳（メタデータ） (2026-03-05T20:23:51Z)
• Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
  本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。 その結果,従来の最大推定値よりも大幅に改善した。
  論文  参考訳（メタデータ） (2026-01-15T21:26:57Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• 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)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• 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。