論文の概要: Physical knowledge on historical data matters more than enforcing physical constraints on the forecast

• arxiv url: http://arxiv.org/abs/2609.19871v1
• Date: Thu, 17 Sep 2026 08:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.16329
• Title: Physical knowledge on historical data matters more than enforcing physical constraints on the forecast
• Title（参考訳）: 歴史的データに関する物理的知識は、予測に物理的な制約を課すよりも重要である
• Abstract要約: 本研究では,物理インフォームド・リカレントニューラルネットワーク(PIRNN)を提案する。 本手法はいくつかの方程式を用いて任意の物理モデルに容易に適用可能であり,それぞれが可観測変数の集合を持つ。
• 参考スコア（独自算出の注目度）: 1.8051006704301766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting has seen signicant advancements with the emergence of new deep learning models. However, forecasting time series in applications involving physical processes remains a major challenge. Despite the apparition of Physics Informed Neural Networks (PINN), recent models do not estimate unobservable intermediate physical variables, which are important for domain experts to understand the target behavior. To this end, we propose a Physics Informed Recurrent Neural Network (PIRNN) which predicts, along the target, unobservable variables on both historic data and forecast target. This approach enhances the model robustness and results interpretation using domain knowledge. Our method is easily adaptable to any physical model using several equations, each having its own set of unobservable variables, to describe it-self. As a case study, we incorporate physical equations used for groundwater levels predictions by the physical model called Gardenia. This model uses transfers equations between reservoirs, optimized with data assimilation, to simulate the evolution of groundwater levels. Evaluation includes several well known neural network models and the Gardenia model compared on twelve real world datasets. In addition, we study the impact of each component through an ablation study. Our model outperforms other models on ve out of the twelve datasets and our ablation study underlines the importance of having a physical background in our time series forecasting task. Finally, the coherence of the physical variables predicted by our neural network is assessed by a domain expert.
• Abstract（参考訳）: 時系列予測は、新しいディープラーニングモデルの出現とともに顕著な進歩を見せている。 しかし、物理プロセスを含むアプリケーションにおける時系列の予測は依然として大きな課題である。 物理情報ニューラルネットワーク(PINN)の出現にもかかわらず、最近のモデルは観測不可能な中間的物理変数を推定していない。 そこで本研究では,物理インフォームド・リカレントニューラルネットワーク(PIRNN)を提案する。 このアプローチは、ドメイン知識を用いたモデル堅牢性と結果解釈を強化する。 本手法は,複数の方程式を用いて任意の物理モデルに容易に適用可能であり,それぞれが独自の可観測変数の集合を持ち,それ自身を記述する。 ケーススタディでは,ガーデニアと呼ばれる物理モデルを用いて地下水位予測に用いる物理式を組み込んだ。 このモデルは、データ同化に最適化された貯水池間の移動方程式を用いて地下水位の変化をシミュレートする。 評価には、よく知られたニューラルネットワークモデルと、12の現実世界データセットと比較されたGardianモデルが含まれている。 さらに, 各成分の影響について, アブレーションによる検討を行った。 我々のモデルは12のデータセットのうち、veで他のモデルよりも優れており、我々のアブレーション研究では、時系列予測タスクにおいて物理的な背景を持つことの重要性が強調されている。 最後に、ニューラルネットワークによって予測される物理変数のコヒーレンスを、ドメインエキスパートによって評価する。

関連論文リスト

• PINP: Physics-Informed Neural Predictor with latent estimation of fluid flows [11.102585080028945]
  そこで本研究では,物理量の結合を予測プロセスに組み込む物理インフォームドラーニング手法を提案する。 物理方程式を組み込むことで,時間外挿と空間一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-08T14:11:01Z)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
  本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。 我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-06T07:55:54Z)
• Physion++: Evaluating Physical Scene Understanding that Requires Online Inference of Different Physical Properties [100.19685489335828]
  この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。 正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。 我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
  論文  参考訳（メタデータ） (2023-06-27T17:59:33Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning [0.0]
  ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。 相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。 2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:14:13Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。