論文の概要: Learning joint probabilistic weather forecasts from station observations alone

• arxiv url: http://arxiv.org/abs/2610.09898v1
• Date: Wed, 07 Oct 2026 11:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.893391
• Title: Learning joint probabilistic weather forecasts from station observations alone
• Title（参考訳）: 観測単独による共同確率的天気予報の学習
• Abstract要約: CLARAは、ステーション観測だけで5つの表面変数の合同ガウス予測分布を学習する。 モデルはCPUのトレーニングと予測をサポートする。 CLARAは6大陸で10のリージョンで再訓練され、60のリージョン-リード比較において永続性を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing compound weather risks requires forecasts representing dependence between variables. CLARA (Calibrated Advection-Routing Attention) learns joint Gaussian predictive distributions of five surface variables from station observations alone, without numerical weather prediction or reanalysis; the approximately 28,000-parameter model supports CPU training and prediction. Across six multi-year folds on 96 stations, its lead-mean energy score is 4.9% lower than that of a learned comparator with matched temporal inputs (4.7% with a similar parameter count) and 11-65% lower than those of statistical baselines. Holding marginal variances fixed, removing learned correlations worsens joint negative log-likelihood by 1.0-2.8 nats per station. A covariance-scale estimator, proved consistent under stated assumptions, improves short-lead calibration but over-corrects at long leads. Synthetic interventions show an attention-bias coefficient alone does not measure forecast influence. Retrained in ten regions on six continents, CLARA outperforms persistence in all 60 multi-year region-lead comparisons and a similarly sized learned model in 57 of 60.
• Abstract（参考訳）: 複雑な気象リスクを評価するには、変数間の依存性を表す予測が必要である。 CLARA (Calibrated Advection-Routing Attention) は、数値的な天気予知や再解析なしに、ステーション観測のみで5つの表面変数の合同ガウス分布を学習する。 96の駅で6つの複数年折りにまたがって、鉛平均エネルギースコアは、一致する時間入力を持つ学習コンパレータよりも4.9%低く、統計基準値よりも11-65%低い。 限界分散を固定し、学習された相関を除去すると、結合陰性対数様態は1駅あたり1.0-2.8ナット悪化する。 共分散スケール推定器は、条件付き仮定の下で一貫して証明され、短いリードキャリブレーションを改善するが、長いリードでは過補正される。 合成介入は、注意バイアス係数だけでは予測影響を測らないことを示している。 CLARAは6大陸の10地域において再訓練され、60の地域間比較と、同様の大きさの学習モデルにおいて、60の領域間比較において永続性を上回った。

関連論文リスト

• Online Reinforcement Learning in the Met Office Unified Model through Distributed Model-Agent Coupling [0.0]
  機械リアント補正は、進化するモデル状態に適応した場合のみ、数値的な天気予報を補完することができる。 ランク局所テンソルを通した分散RLエージェントとMet Office (UKMO) Unified Model (UM) を結合する。 本研究では,北緯45.8%と南緯40.8%を含む6つの緯度帯のうち,Z$_500$ MAEが減少することを示す。
  論文  参考訳（メタデータ） (2026-09-02T13:17:10Z)
• 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 Big Data Becomes a Curse: Spatial Heterogeneity and the Limits of Learning from Passive Acoustic Monitoring Data [0.3277163122167433]
  AIS-labeled 679-second recordings from 38 deployments, 20 Atlantic Canada station IDs, and 21 receiver positions。 AIS-Contact は200倍以上の差があり、デプロイ毎のスクリーニング分布は局所的な解釈を必要とする。
  論文  参考訳（メタデータ） (2026-08-06T14:44:46Z)
• TSCoNet: A Two-Stage Copula CNN-LSTM for Uncertainty-Aware Spatio-Temporal Forecasting [7.191212864694664]
  TSCoNetは2段階の畳み込みリカレントモデルであり、空間と時間の複数の変数を共同で予測するガウスのコプラと結合している。 本研究では,2000～2020年の50都市を対象に,球面上の非定常空間場と月降水量と気温の実際のデータセットについて検討した。
  論文  参考訳（メタデータ） (2026-07-11T17:28:53Z)
• Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
  本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。 7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。 主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
  論文  参考訳（メタデータ） (2026-03-09T02:39:51Z)
• 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)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Regularization methods for the short-term forecasting of the Italian electric load [77.34726150561087]
  イタリアの電力負荷の24のプロファイル全体を予測する問題はマルチタスク学習問題として対処される。 96x96行列重みは96x96行列を形成し、正方形の領域にサンプリングされた表面として見ることができる。 表面の自由度を下げるための規則化とスパーシリティの異なるアプローチを探索し、得られた予測をイタリアのトランスミッション・システム・オペレーター・テルナの予測と比較した。
  論文  参考訳（メタデータ） (2021-12-08T22:15:06Z)

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。