論文の概要: Forecasting Visitor Demand from Open AI-Camera Counts and Weather: Lessons from Japan for Saudi Heritage Sites
- arxiv url: http://arxiv.org/abs/2611.01033v1
- Date: Sat, 31 Oct 2026 15:22:13 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:23:20.268078
- Title: Forecasting Visitor Demand from Open AI-Camera Counts and Weather: Lessons from Japan for Saudi Heritage Sites
- Title（参考訳）: オープンAIカメラによる来訪者の需要予測と気象情報:サウジの遺産の日本からの教訓
- Abstract要約: 我々は日本の3つのコントラストサイトから22ヶ月のAIカメラの計数を使用する。
天気がどう変わるか、毎日の天気予報は1週間先だ」と述べた。
新たなカウンタでは、学習したモデルを先週の同時間カウントと組み合わせることで、わずか3日間のトレーニングの後、時間単位のエラーを減らします。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Small heritage and nature sites need a few days' notice of busy days to plan staff, overflow parking and shuttles, but most have neither sensors nor forecasting expertise. We test what one artificial intelligence (AI) camera counter per site, a public holiday calendar and a free weather forecast can predict. Using 22 months of open AI-camera counts from three contrasting sites in Fukui, Japan (a train station, a coastal cliff and a mountain summit park), we measure how weather changes visits, forecast daily counts up to a week ahead with only the weather forecast available at the time, test busy-day warnings tied to a staffing decision, and ask how much history a new counter needs. The more exposed the site, the more weather matters: 10 mm of rain comes with 3% fewer detections at the station, 9% fewer at the cliff and 37% fewer at the summit park. With the forecasts actually issued, three-day-ahead weighted absolute percentage error (WAPE) at the summit park falls from 38.5% to 31.9% (Diebold-Mariano p<0.001), and the gain holds to five days; the sheltered station gains nothing. Three-day busy-day warnings with forecast weather reach, on past data and under the primary definitions, an area under the receiver operating characteristic curve (AUC) of 0.87-0.93, and weather lifts the overflow car park warning's precision from 0.60 to 0.82. For a new counter, blending a learned model with last week's same-hour counts cuts hourly error after only three days of training, pending a real installation. All inputs are off the shelf, and we outline how the approach could apply to heritage sites in Saudi Arabia.
- Abstract（参考訳）: 小さな遺産や自然の場所は、スタッフ、オーバーフロー駐車、シャトルを計画するのに数日の忙しい日を知らせる必要があるが、ほとんどはセンサーも予測の専門知識も持っていない。
私たちは、1つの人工知能(AI)カメラカウンタ、パブリックホリデーカレンダー、そして無料の天気予報をテストします。
福井県の3ヶ所(鉄道駅、海岸崖、山頂公園)から22ヶ月のオープンAIカメラの計数を用いて、気象の変化を計測し、その日の天気予報のみを1週間前まで予測し、スタッフ決定に結びついた忙しい日の警告をテストし、新しいカウンターがどれだけの履歴を必要とするかを尋ねる。
10mmの雨は、駅での検出を3%減らし、崖での検出を9%減らし、山頂公園では37%減らした。
実際の予測では、山頂公園での3日間の重み付き絶対パーセンテージエラー(WAPE)は38.5%から31.9%(Diebold-Mariano p<0.001)に減少し、5日間の上昇となる。
予報天候の3日間の警報は、過去のデータと一次定義に基づいて、受信機動作特性曲線(AUC)の下の領域は0.87-0.93であり、天気はオーバーフロー駐車場警告の精度を0.60から0.82に引き上げる。
新たなカウンタでは、学習したモデルを先週の同時間カウントと組み合わせることで、トレーニングのわずか3日後に時間単位のエラーを減らし、実際のインストールを待つ。
すべてのインプットは棚から出ており、サウジアラビアの遺産にどのようにアプローチが適用できるかを概説する。
関連論文リスト
- RainCheck: Harnessing Historical Weather Data with Machine Learning for Rainfall Forecasting in Bangladesh [0.0]
機械学習による降雨予測は、しばしば駅記録をランダムなトレーニングとテストセットにシャッフルすることで評価される。
バングラデシュ35駅(1948-2014)の618,650日における両効果の定量化
降雨量の少ないモデルは、翌日の予測には真だが控えめなスキルを増す。
我々は、将来のステーションベース研究が保留年数に対する気候学を報告できるように、漏洩対応プロトコルとコードをリリースする。
論文 参考訳（メタデータ） (2026-10-28T03:05:58Z) - Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models [0.3186130813218338]
乗組員配置において,予測リード時間が障害予測の価値にどのように影響するかを検討した。
予測は、乗組員が実行される郡によって捕獲された停止負担のシェアによって評価された。
要求されたすべての乗組員による初期の配備は、後期配備よりも少ない性能で性能を上げた。
論文 参考訳（メタデータ） (2026-10-14T20:48:59Z) - Developing Machine Learning-Based Watch-to-Warning Severe Weather Guidance from the Warn-on-Forecast System [0.0]
今後2～6時間にわたって,深刻な気象被害の可能性を予測するためのグリッドベースのMLフレームワークを開発し,評価する。
本研究では,2-5kmの高架ヘリシティから発生したベースラインに対して,勾配ブーストツリー(HGBT)モデルと深層学習型U-Netアプローチを比較した。
HGBTは最高のパフォーマンス指標を達成しているが、予測確率は60%、U-net予測は100%である。
論文 参考訳（メタデータ） (2026-03-10T14:18:03Z) - FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NWP forecasts [1.517355052203938]
インド夏モンスーン(英語: Indian summer monsoon)は、インド亜大陸にまたがる10億人を超える人々に直接影響する、非常に複雑で重要な気象システムである。
正確な短期予測は、モンスーンの固有の非線形性と、マルチスケールドライバに対する感度のために、大きな科学的課題である。
本研究では,1日と3日の両方のリードタイムに着目し,夏期のインドにおける日降雨予測の問題に対処する。
論文 参考訳（メタデータ） (2024-02-12T17:59:20Z) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Accurate and Clear Precipitation Nowcasting with Consecutive Attention
and Rain-map Discrimination [11.686939430992966]
本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。
このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
論文 参考訳（メタデータ） (2021-02-16T14:22:54Z)
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。