論文の概要: Physics-Refined Spatiotemporal Forecasting on Open-Boundary Hydrologic Graphs
- arxiv url: http://arxiv.org/abs/2610.01765v1
- Date: Thu, 01 Oct 2026 14:24:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.188376
- Title: Physics-Refined Spatiotemporal Forecasting on Open-Boundary Hydrologic Graphs
- Title（参考訳）: 開境界水理グラフ上の物理精製時空間予測
- Abstract要約: 本研究では,水文グラフ上の境界強制を補償する新しい枠組みを提案する。
我々のフレームワークは、境界ノードと内部ノードからゴーストノードプロキシを学習し、観測されていない外部入力を近似しようと試みている。
提案手法は,学習ベースモデルと物理インフォームドモデルの両方に対して,高い予測精度と長期安定性を享受する。
- 参考スコア（独自算出の注目度）: 9.93387280428829
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatiotemporal forecasting on hydrologic graphs is especially prone to instability in open-boundary systems, where the forecast domain exchanges fluxes with an unobserved exterior. In such systems, boundary nodes receive external forcing, e.g., upstream inflows in rivers or tidal signals in coastal regions, that is typically unavailable at prediction time. The absence of this information can compound errors as forecasts unfold in an autoregressive fashion, leading to inferior long-horizon performance. This paper dissects this instability issue by exploring two questions. 1) What boundary forcing enters the forecast domain when information beyond the boundary is missing? 2) How should this forcing propagate through the domain without incurring error amplification under autoregressive rollout? To address both, we propose a new computing framework comprising two key components. First, to compensate for the boundary forcing, our framework learns ghost node proxies from the boundary and interior nodes, striving to approximate unobserved external inputs. Second, to control error accumulation from these learned proxies, we leverage two physics refiners. In particular, one refiner enforces local consistency by aligning ghost proxies with their two-hop neighbors (i.e., boundary nodes and their immediate interiors). The other refiner enhances global stability by correcting the model forecasts through a physics-guided graph neural operator, reducing long-horizon numerical drift. Two real-world hydrologic graphs are employed for empirical evaluation. Comparative results show that our proposal enjoys higher prediction accuracy and long-horizon stability over both learning-based and physics-informed model competitors.
- Abstract（参考訳）: 水理グラフ上の時空間予測は、予測領域が観測されていない外部とのフラックスを交換する開放境界系において特に不安定になる。
このようなシステムでは、境界ノードは、河川の上流への流入や沿岸地域の潮流信号といった外部の強制力を受けるが、予測時には通常利用できない。
この情報の欠如は、予測が自己回帰的に展開するにつれてエラーを複雑にし、ロングホライゾンのパフォーマンスが低下する。
本稿では,この不安定な問題を2つの疑問を解き明かして論じる。
1)境界を超える情報が欠落すると、どの境界強制が予測領域に入るか。
2) 自己回帰ロールアウト時にエラー増幅を起こさずにドメインを伝播させるにはどうすればいいのか?
両課題に対処するために,2つの重要なコンポーネントからなる新しい計算フレームワークを提案する。
まず、境界強制を補うために、我々のフレームワークは、境界ノードと内部ノードからゴーストノードプロキシを学習し、観測されていない外部入力を近似しようと試みる。
第二に、これらの学習プロキシからエラーの蓄積を制御するために、2つの物理精製器を利用する。
特に、ある精製器はゴーストプロキシを2つのホップ隣人(すなわち境界ノードとその直近の内部)と整列させることで局所的な一貫性を強制する。
他方の精細化器は、物理誘導型グラフニューラル演算子を通じてモデル予測を補正することにより、大域的安定性を高め、長距離数値ドリフトを低減させる。
2つの実世界の水理グラフが経験的評価に使われている。
その結果,本提案手法は,学習ベースモデルと物理インフォームドモデルの両方と比較して,高い予測精度と長期安定性を享受できることが示唆された。
関連論文リスト
- Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。
プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。
本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
論文 参考訳（メタデータ） (2026-04-06T18:14:53Z) - Geometry-Aware Physics-Informed PointNets for Modeling Flows Across Porous Structures [0.09332987715848712]
本研究では,多孔体内および周囲に発生する流れの予測問題に対処する。
物理インフォームド・ポイントネット(PIPN)と物理インフォームド・ジオメトリ・アウェア・ニューラル・オペレータ(P-IGANO)の2つのアプローチを用いる。
その結果、目視と目視の両方のケースにおいて、速度と圧力の誤差が一貫して低く、ウェイク構造を正確に再現できることがわかった。
全体として,本研究はPIPN/PI-GANOを多孔質流の同時流路として初めて体系的に評価し,幾何単位の再学習を伴わずに設計研究を加速させる可能性を示した。
論文 参考訳（メタデータ） (2026-02-15T11:52:23Z) - HydroGAT: Distributed Heterogeneous Graph Attention Transformer for Spatiotemporal Flood Prediction [7.643667076993224]
グラフネットワーク(GNN)は、水文的なルーティングを学ぶのに理想的な川網に沿って情報を伝播する。
そこで本研究では,各地と河川のピクセルが,物理的水文・流域間関係によって接続されたノードである異種盆地グラフを提案する。
本稿では,局所的時間的重要性と最も影響力のある上流地を適応的に学習する時間的ネットワークであるHydroGATを提案する。
論文 参考訳（メタデータ） (2025-09-02T16:31:40Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - Towards physics-informed neural networks for landslide prediction [1.03590082373586]
PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。
我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。
このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
論文 参考訳（メタデータ） (2024-07-09T11:54:49Z) - Unveiling Delay Effects in Traffic Forecasting: A Perspective from
Spatial-Temporal Delay Differential Equations [20.174094418301245]
交通流予測は交通計画と管理の基本的な研究課題である。
近年,グラフニューラルネットワーク (GNN) とリカレントニューラルネットワーク (RNN) は交通流予測のための空間的時間的相関を捉えることに成功している。
1) GNNでのメッセージパッシングは即時であり、実際には近隣ノード間の空間的メッセージインタラクションは遅延する可能性がある。
論文 参考訳（メタデータ） (2024-02-02T08:55:23Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。
対象境界を検出するために,2つの予測層を持つフレームワークを提案する。
我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
論文 参考訳（メタデータ） (2020-03-25T22:44:48Z)
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。