論文の概要: Season-Aware Hybrid Convolutional-Transformer for Antarctic Sea Ice Concentration Forecasting
- arxiv url: http://arxiv.org/abs/2608.30654v1
- Date: Mon, 31 Aug 2026 11:54:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.377928
- Title: Season-Aware Hybrid Convolutional-Transformer for Antarctic Sea Ice Concentration Forecasting
- Title（参考訳）: 南極海氷濃度予測のための季節別ハイブリッド畳み込み変圧器
- Abstract要約: 南極海氷濃度予測のためのハイブリッド・コンボリューショナル・トランスフォーマー予測フレームワークを構築した。
このフレームワークは、空間的特徴抽出のための畳み込み符号化と、時間的依存モデリングのための分解自己アテンションを組み合わせる。
本稿では,トークン表現にカレンダー情報を注入する月単位の位置対応符号化と,周期的に関連する歴史的状態に注意を向ける季節的時間バイアスという2つの季節的事前メカニズムを紹介する。
- 参考スコア（独自算出の注目度）: 6.357294880855476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Antarctic sea ice concentration (SIC) forecasting is an important yet challenging task due to the coexistence of complex spatial structure, long-range temporal dependencies, and strong seasonal variability. Conventional convolution-based models are effective at capturing local spatial patterns, but often have limited ability to model long-term temporal evolution. To address these challenges, we build on a hybrid Convolutional-Transformer forecasting framework for monthly Antarctic SIC forecasting. This framework combines convolutional encoding for spatial feature extraction with factorised self-attention for spatio-temporal dependency modelling. We further introduce two seasonal prior mechanisms: a month-aware positional encoding that injects calendar-month information into the token representation, and a seasonal temporal bias that encourages attention to periodically related historical states. Experimental results show that the proposed framework achieves better performance than convolutional and recurrent baselines across both classification and regression metrics. Ablation studies further indicate that the seasonal prior mechanisms provide consistent additional gains in both short- and long-horizon prediction. These results demonstrate the value of combining convolutional structures, attention mechanisms, and periodic prior information for Antarctic SIC forecasting.
- Abstract（参考訳）: 南極海氷濃度予測(SIC)は、複雑な空間構造、長期の時間的依存関係、季節変動の強い共存により重要かつ困難な課題である。
従来の畳み込みに基づくモデルは、局所的な空間パターンを捉えるのに効果的であるが、長期的な時間的進化をモデル化する能力に制限があることが多い。
これらの課題に対処するため、月次南極SIC予測のためのハイブリッドのConvolutional-Transformer予測フレームワークを構築した。
このフレームワークは空間的特徴抽出のための畳み込み符号化と時空間依存モデリングのための分解自己アテンションを組み合わせる。
さらに,日時情報をトークン表現に注入する月単位の位置対応符号化と,周期的に関連する歴史的状態に注意を向ける季節的時間バイアスという2つの季節的事前メカニズムを導入する。
実験結果から,提案フレームワークは,分類指標と回帰指標の両方において,畳み込みおよび繰り返しベースラインよりも優れた性能を実現することが示された。
アブレーション研究は、季節的な事前メカニズムが短軸予測と長軸予測の両方に一貫した追加利得をもたらすことを示唆している。
これらの結果は,南極SIC予測における畳み込み構造,注意機構,周期的事前情報の組み合わせの価値を示す。
関連論文リスト
- LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction [7.457194039590938]
S2S予測可能性は時間的・空間的・大規模パターンコヒーレンスにまたがって構成されていることを示す。
これらの結果は、予測システムを改善し、実際に使用することを通知するための、より解釈可能な基盤を提供する。
論文 参考訳（メタデータ） (2026-05-07T20:19:23Z) - TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。
TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。
これは最先端の可逆正規化法より優れている。
論文 参考訳（メタデータ） (2026-03-18T07:21:24Z) - Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。
衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。
本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-04T17:48:52Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - KEDformer:Knowledge Extraction Seasonal Trend Decomposition for Long-term Sequence Prediction [1.224954637705144]
時系列予測はエネルギー、金融、気象学といった分野において重要な課題である。
季節差分解を統合する知識抽出駆動型フレームワークであるKEDformerを提案する。
この分解により、モデルが短期的変動と長期的パターンの両方を捉える能力が向上する。
論文 参考訳（メタデータ） (2024-12-06T21:07:11Z) - 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) - FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。
現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。
本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:37:02Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - 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) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z)
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。