論文の概要: Transformer-based Diffusion models for Hydrological Time Series Probabilistic Imputation and Forecasting

• arxiv url: http://arxiv.org/abs/2607.21200v1
• Date: Thu, 23 Jul 2026 11:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.387435
• Title: Transformer-based Diffusion models for Hydrological Time Series Probabilistic Imputation and Forecasting
• Title（参考訳）: 変圧器を用いた水文時系列確率計算と予測のための拡散モデル
• Authors: Ferdinand Bhavsar, Lionel Benoit, Maxime Savatier, Edith Gabriel,
• Abstract要約: 観測が限られている水文気象時系列のモデリングは、水系や水資源のモニタリングにおいて重要な課題である。 近年のディープラーニングの進歩は、複雑な時間過程の表現と生成を改善するための有望な方向を提供する。 本研究では, 変圧器を用いた拡散モデルによる水文時系列のシミュレーションと再構成について検討した。
• 参考スコア（独自算出の注目度）: 27.151780750119556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The modeling of hydrometeorological time series with limited observations is a key challenge in the monitoring of hydro-systems and water resources, as well as for flood or drought risk assessment. Due to the high variability of the underlying processes and the sparsity of available measurements, traditional statistical approaches often struggle to accurately represent their dynamics. In this context, recent advances in deep learning offer a promising direction for improving the representation and generation of complex temporal processes sampled at several observation sites. This study investigates the application of transformer-based diffusion models to the simulation and reconstruction of hydrological time series. The proposed framework is applied to the joint modeling of water quantity and quality at six sites spread across three adjacent headwater catchments located in North-East France on a limestone plateau covered by forests and field crops. The model is calibrated and validated using available observational data, which has been quality controlled and corrected for sensor drift and malfunction through collaborative efforts by LNE metrology expertise and Andra monthly quality control over more than 15 years. Its performance is compared with several established baseline approaches commonly used for time series modeling. Quantitative evaluation metrics are employed to assess the ability of the proposed method to reproduce key temporal characteristics of the observed signals in two settings: the imputation of incomplete time series and the forecasting of upcoming hydrological conditions. Results support the effectiveness of the transformer-based approach and highlight its capacity to capture and simulate the complex patterns present in hydrological data. In particular, the results indicate that diffusion models can efficiently sample realistic time series distributions under observation settings with variable missing data for both forecasting and imputation.
• Abstract（参考訳）: 観測が限られている水文気象時系列のモデリングは、水系や水資源のモニタリングや洪水や干ばつリスク評価において重要な課題である。 基礎となるプロセスの多様性の高さと利用可能な測定範囲の幅のため、伝統的な統計手法は、しばしば彼らの力学を正確に表現するのに苦労する。 この文脈において、近年のディープラーニングの進歩は、複数の観測地点でサンプリングされた複雑な時間過程の表現と生成を改善するための有望な方向を提供する。 本研究では, 変圧器を用いた拡散モデルによる水文時系列のシミュレーションと再構成について検討した。 提案手法は,フランス北東部の石灰岩高原に隣接する3つの水源流域に広がる6地点における水量と水質の連成モデルに適用した。 このモデルは、LNEの気象学の専門知識と15年以上にわたるAndraの月次品質管理の協力によって、センサドリフトと誤作動に対する品質管理と修正がなされた、利用可能な観測データを用いて校正され、検証されている。 その性能は、時系列モデリングで一般的に使用されるいくつかの確立されたベースラインアプローチと比較される。 不完全な時系列の計算と今後の水文条件の予測という2つの設定で観測された信号の時間的特性を再現するための提案手法の有効性を評価するために,定量的評価指標を用いた。 結果はトランスベースのアプローチの有効性をサポートし、水文データに存在する複雑なパターンをキャプチャしてシミュレートする能力を強調している。 特に, 拡散モデルでは, 観測条件下での実時間時系列分布を, 予測と計算の両面において, 可変欠落データを用いて効率的にサンプリングできることが示唆された。

関連論文リスト

• Analyzing Spatio-Temporal Dynamics of Dissolved Oxygen for the River Thames using Superstatistical Methods and Machine Learning [0.0]
  テムズ川における溶存酸素量の予測には,数値計算法と機械学習を用いる。 長期的な予測では、Informerモデルは一貫して優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2025-01-10T16:54:52Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting [10.892801642895904]
  本稿では,距離重み付き自己正規化ニューラルネットワーク(DAN)を提案する。これは極性表現学習によって強化されたストラムフローの長距離予測のための新しい極性適応モデルである。 実生活における4つの水文流れデータセットにおいて、DANは、最先端の水文時系列予測法と長期時系列予測のための一般的な方法の両方を著しく上回っていることを実証した。
  論文  参考訳（メタデータ） (2023-12-14T09:16:01Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。