論文の概要: WxFM-XL: Adapting Univariate Foundation Models to Multi-Station Weather Forecasting

• arxiv url: http://arxiv.org/abs/2610.10057v1
• Date: Wed, 07 Oct 2026 13:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.934843
• Title: WxFM-XL: Adapting Univariate Foundation Models to Multi-Station Weather Forecasting
• Title（参考訳）: WxFM-XL:多段階気象予測への一様ファンデーションモデルの適用
• Abstract要約: WxFM-XLは,一変量時系列基礎モデルをマルチステーション気象予報に適用するためのモデルである。 WxFM-XLは、基礎モデルに関する静止誤差先行をキャプチャするクロスステーション誤差相関グラフを導入する。 これに基づいて,空間相関グラフと誤差相関先行グラフを適応的に統合する動的融合機構を提案する。
• 参考スコア（独自算出の注目度）: 34.52633268322378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of univariate time series foundation models (e.g., Sundial, Timer), initial efforts have been made to extend them to multivariate settings. However, these models mainly focus on modeling correlations among variables. When they are applied to multi-station weather forecasting, two important factors are often overlooked: (1) the spatial information of stations, and (2) different error priors of different stations relative to the foundation model. In this paper, we propose WxFM-XL, a model for adapting univariate time series foundation models to multi-station weather forecasting. WxFM-XL introduces a cross-station error correlation prior graph to capture stationwise error priors with respect to the foundation model. Building on this, we further propose a dynamic fusion mechanism that adaptively integrates a spatial correlation graph with the error correlation prior graph. Experiments on multiple datasets demonstrate that our model outperforms state of the art baselines.
• Abstract（参考訳）: 単変量時系列基盤モデル(例:Sundial、Timer)の台頭により、最初は多変量設定に拡張する努力がなされた。 しかし、これらのモデルは主に変数間の相関をモデル化することに焦点を当てている。 マルチステーション気象予報に適用した場合,(1)局の空間的情報,(2)基地モデルに対する異なる局の誤差先行の2つの重要な要因が見落とされがちである。 本稿では,一変量時系列基礎モデルをマルチステーション気象予報に適用するためのモデルWxFM-XLを提案する。 WxFM-XLは、基礎モデルに関して、静止誤差先行をキャプチャするクロスステーション誤差相関グラフを導入する。 これに基づいて,空間相関グラフと誤差相関先行グラフを適応的に統合する動的融合機構を提案する。 複数のデータセットの実験により、我々のモデルは最先端のベースラインよりも優れています。

関連論文リスト

• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• DynaConF: Dynamic Forecasting of Non-Stationary Time Series [4.286546152336783]
  非定常条件分布を時間とともにモデル化する新しい手法を提案する。 我々のモデルは、最先端のディープラーニングソリューションよりも定常的でない時系列に適応できることを示します。
  論文  参考訳（メタデータ） (2022-09-17T21:40:02Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。