論文の概要: Knowledge-Graph-Augmented Chronos-2 for HEC-RAS Surrogate Forecasting
- arxiv url: http://arxiv.org/abs/2609.21381v1
- Date: Fri, 18 Sep 2026 06:50:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.885448
- Title: Knowledge-Graph-Augmented Chronos-2 for HEC-RAS Surrogate Forecasting
- Title（参考訳）: HEC-RASサロゲート予測のための知識グラフ強化クロノス-2
- Abstract要約: KG-クロノス-2は冷凍クロノス2予測器と正確な状態残差復号、グラフ条件付き履歴検索、入力整列補正を組み合わせた。
KG-クロノス-2は、WSE単位においてイベントバランスの取れたルート平均二乗誤差0.246970を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate whether coupling a time-series foundation model to hydraulic project knowledge improves surrogate forecasting of HEC-RAS water-surface elevation (WSE). We present KG-Chronos-2, which combines a frozen Chronos-2 predictor with exact-state residual decoding, graph-conditioned historical retrieval, and input-aligned correction. We compare the method with persistence, a residual LSTM, project-conditioned recurrent GeoFNO, a hydraulic DCRNN-style model, and frozen Chronos-2. Task-specific fitting uses the 2008 simulation. Evaluation covers 64 fixed 24-hour windows from the 2011 and 2002 simulations at 4,675 cross sections in 71 reaches on a shared geometry. KG-Chronos-2 achieves event-balanced root-mean-square error 0.246970 in native WSE units. It reduces RMSE by 14.13% relative to frozen Chronos-2, 29.38% relative to the hydraulic DCRNN-style model, and 39.54% relative to recurrent GeoFNO. The 95% hierarchical-bootstrap interval for its event-balanced RMSE difference from frozen Chronos-2 is [-0.075177, -0.016317]. KG-Chronos-2 also achieves the lowest active-window and final-lead RMSE among the six completed systems. These results support coupling a frozen temporal predictor to project knowledge for warm-start HEC-RAS forecasting on the fixed benchmark.
- Abstract（参考訳）: 本研究では, 時系列基礎モデルと水理プロジェクト知識の結合が, HEC-RAS水面上昇(WSE)の代理予測を改善するか否かを検討する。
凍結したクロノス2予測器と正確な状態残差復号、グラフ条件付き履歴検索、入力整列補正を組み合わせたKG-クロノス2を提案する。
本手法を持続性,残差LSTM,プロジェクト条件付きリカレントGeoFNO,油圧DCRNNモデル,凍結クロノス2と比較した。
タスク固有のフィッティングは、2008年のシミュレーションを使用する。
2011年と2002年のシミュレーションでは、71の断面4,675箇所で24時間固定窓64面が共有形状に到達した。
KG-クロノス-2は、WSE単位においてイベントバランスの取れたルート平均二乗誤差0.246970を達成する。
RMSEは凍結したクロノス-2と比較して14.13%減少し、油圧式DCRNNモデルに比べて29.38%、GeoFNOと比較して39.54%減少する。
凍結したクロノス-2とイベントバランスのRMSE差に対する95%の階層型ブートストラップ間隔は [-0.075177, -0.016317] である。
KG-クロノス-2は6つの完成したシステムの中で最低のアクティブウインドウと最終リードのRMSEも達成している。
これらの結果は,凍結時間予測器とプロジェクト知識を結合したHEC-RAS予測を固定ベンチマークで行うことを支援する。
関連論文リスト
- Exploratory Analysis of Deep Learning Models for Forecasting Meteorological Parameters in the Agricultural Sector [0.0]
この分析は、2011年1月から2026年4月にかけて、ギリシャのイオアニーナから134,376時間にわたって観測された。
最も効果的な純粋なリカレントモデルは、24時間水平線用64ユニットLSTM、WQSは0.816755、WQSは0.779465である168時間水平線用1024ユニットGRUである。
ハイブリッドCNN-GRUは、24時間と168時間の地平線で0.827535と0.782863のスコアを得たが、それぞれ追加のユニット数があった。
論文 参考訳（メタデータ） (2026-07-11T08:39:20Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America [0.0]
1940年までの毎月のGRACEライクなTWS異常を再構築する深層学習アプリケーションを提案する。
グリッドセル相関は0.69、流域平均相関は0.94、ほぼゼロとなる。
2015/16年のエル・ニオと2020/21年のラ・ニアの出来事の指紋を再現する。
論文 参考訳（メタデータ） (2026-06-22T18:15:58Z) - Global and Local Topology-Aware Attention with Persistent Homology and Euler Biases for Time-Series Forecasting [0.0]
時系列はしばしば、接続性、サイクル、シェルのような幾何学、方向変化、非線形近傍を含む予測幾何学構造を符号化する。
永続的ホモロジー(H0-H2)を用いた注意ログにそのような構造を加えるトポロジ対応アテンションフレームワークを提案する。
我々は,軽量アテンション/ライダー,PatchTSTForRegression,TimeSeriesTransformerForPredictionという3つのアーキテクチャファミリの保護されたトポロジ対応のバリエーションを評価した。
論文 参考訳（メタデータ） (2026-05-04T21:19:12Z) - SARIMAX-Based Power Outage Prediction During Extreme Weather Events [9.853802100348892]
本研究では,SARIMAXを用いた短期停電予測システムを開発した。
ミシガン州の郡から毎時のデータと、停止数と包括的な気象特性を使って、システマティックな2段階のフィーチャーエンジニアリングパイプラインを実装します。
選択した特徴は,SARIMAXモデルへの入力として,時間埋め込み,マルチスケールラグ特性,気象変数を付加したものである。
論文 参考訳（メタデータ） (2025-11-02T17:13:58Z) - Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。
現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。
時間的整合性を利用する2つの相補的手法を導入する。
論文 参考訳（メタデータ） (2025-08-12T17:59:57Z) - Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones [0.8437187555622164]
本研究は、深層学習に基づくマルチモデル評価およびダウンスケーリングフレームワークで、結合モデル相互比較プロジェクトフェーズ6(CMIP6)モデルランキング32を提示する。
熱帯・乾燥・温帯・大陸・極圏の気候帯は4季節にわたって調査されている。
4つのモデルは、上位のGCMを0.1$circ$の解像度にダウンスケールするのに貢献する。
論文 参考訳（メタデータ） (2025-02-27T14:27:09Z) - 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)
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。