論文の概要: Monotone-Constrained Diffusion Models for Long-Horizon Production Forecasting

• arxiv url: http://arxiv.org/abs/2609.22643v1
• Date: Fri, 18 Sep 2026 23:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.512077
• Title: Monotone-Constrained Diffusion Models for Long-Horizon Production Forecasting
• Title（参考訳）: 長期生産予測のためのモノトン制約拡散モデル
• Abstract要約: 物理SIMS-TSは, 合成人工物に対する負の誘導, 減少曲線の制約, サンプリング時に適用される等張投影, 空間的トレーニング増強, および完全な予測分布をもたらすアンサンブルサンプリングを組み合わせた条件拡散予測器である。 3つの管轄区域と35,000以上の井戸は、共有空間、検証・凍結されたプロトコルの下で、物理SIMS-TSは比較において最も正確な拡散予測器であり、アンサンブル変換器の予測器と競合するが、優位ではない。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting a long horizon from only the first observations of a sequence is ill-posed: many trajectories are consistent with the same short history. We study this problem in oil and gas production forecasting, where forecasts made after roughly the first fifth of a well's producing life drive development and abandonment decisions, and where a usable forecast must describe a monotone decline. We present Physics-SIMS-TS, a conditional diffusion forecaster that combines negative guidance against synthetic artifacts, decline-curve constraints and an isotonic projection applied during sampling, spatial training augmentation, and an ensembled stochastic sampler yielding a full predictive distribution. Across three jurisdictions and more than 35,000 wells, under a shared-space, validation-frozen protocol, Physics-SIMS-TS is the most accurate diffusion forecaster in the comparison and is competitive with, but not superior to, ensembled transformer forecasters. Its forecasts are monotone by construction at a cost of at most 0.5% in mean squared error, and its trajectory ensemble yields calibrated intervals after one dispersion factor is fitted per jurisdiction. On six standard benchmarks a reversible-instance-normalization variant of the backbone is the leading diffusion baseline. We also quantify four protocol choices on which the measured ranking depends. Code and evaluation artifacts are released.
• Abstract（参考訳）: シーケンスの最初の観測のみから長い地平線を予測することは誤りであり、多くの軌道は同じ短い歴史と一致している。 本研究では,石油・ガス生産の予測においてこの問題を考察し,井戸生産のライフサイクル開発と放棄の決定の約5分の1以降の予測と,使用可能な予測が単調な減少を示す必要があることを示す。 本研究では, 合成品に対する負の誘導, 減少曲線制約, サンプリング, 空間トレーニング強化, および, 完全に予測分布を出力するアンサンブル確率型サンプリング器を併用した条件付き拡散予測器である物理SIMS-TSを提案する。 3つの管轄区域と35,000以上の井戸は、共有空間、検証凍結プロトコルの下で、物理SIMS-TSは比較において最も正確な拡散予測器であり、アンサンブル変換器の予測器と競合するが、優位ではない。 その予測は平均2乗誤差で少なくとも0.5%のコストで単調であり、軌道のアンサンブルは1つの分散係数が1つの管轄区域に収まると、キャリブレーションされた間隔を生じる。 6つの標準ベンチマークでは、バックボーンの可逆なインスタンス正規化変種が主要な拡散ベースラインである。 また、測定されたランクが依存する4つのプロトコルの選択を定量化する。 コードと評価アーティファクトがリリースされている。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• Do AI Forecast Ensembles Sample the Correct Conditional Distribution? [0.3538763598295922]
  我々は,米国東海岸の干潟8地点で,確率的海底海水準予測のための拡散モデルを訓練した。 その結果,各駅における正の技量とリードタイムの正の技量と,共同空間構造が気候学的なドローよりも悪いことが判明した。
  論文  参考訳（メタデータ） (2026-08-09T23:16:10Z)
• When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
  物理信号の長距離自己回帰予測は誤差蓄積によって制限される。 物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-09T13:46:14Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)

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。