論文の概要: Climate Temporal Temperature Prediction via an Adaptive Stacked Bidirectional Residual Mamba Network
- arxiv url: http://arxiv.org/abs/2611.16322v1
- Date: Thu, 12 Nov 2026 05:44:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.369717
- Title: Climate Temporal Temperature Prediction via an Adaptive Stacked Bidirectional Residual Mamba Network
- Title(参考訳): Adaptive Stacked Bidirectional Residual Mamba Networkによる気候時温予測
- Abstract要約: 本研究では,時間的温度予測のための新しいディープラーニングフレームワークであるDeep DualMambaを提案する。
従来のTransformerベースのアーキテクチャとは異なり、基礎モデルは支配的だが、長い時間で計算の非効率に悩まされる。
我々は,畳み込み効率の低下を補うために,ハードウェア対応の並列リカレントアルゴリズムを開発した。
これらの設計選択は、シーケンス長と推論スループットを著しく改善した線形複雑度を示す、単純化された無注意ニューラルネットワークアーキテクチャに終止符を打つ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate temperatures forecasting relies on traditional meteorological parameters that are essential for monitoring weather informatics and guiding forecasting efforts. This study presents Deep DualMamba, a novel deep learning framework for temporal temperature prediction, built upon an enhanced variant of the recently proposed Mamba network. Unlike conventional Transformer-based architectures, which dominate foundation models but suffer from computational inefficiencies on long sequences, Deep DualMamba leverages selective structured state space models (SSMs) to achieve both scalability and performance. We identify a core limitation of prior subquadratic-time models-namely, their inability to perform long-term and robust forecasting and introduce two key innovations. First, we propose an adaptive bidirectional Mamba as encoders to learn complex and efficient features. Second, we develop a hardware-aware, parallel recurrent algorithm to compensate for the loss of convolutional efficiency, ensuring practical viability at scale. Last, the Deep DualMamba's approximation ability and convergence is theoretical analyzed. These design choices culminate in a simplified, attention- and MLP-free neural architecture that exhibits linear complexity with sequence length and significantly improved inference throughput. To demonstrate its applicability in climate informatics, we implement a full forecasting pipeline using historical meteorological data from UK monitoring stations.
- Abstract(参考訳): 正確な温度予測は、気象情報を監視し、予測を導くのに不可欠な伝統的な気象パラメータに依存している。
本研究は,最近提案されたMambaネットワークの拡張版をベースに構築された,時間温度予測のための新しいディープラーニングフレームワークであるDeep DualMambaを提案する。
従来のTransformerベースのアーキテクチャとは異なり、Deep DualMambaは拡張性と性能の両方を達成するために選択的な構造化状態空間モデル(SSM)を活用している。
我々は,従来の四分時間モデルの中核的な限界,すなわち長期的かつ堅牢な予測を行うことができないこと,そして2つの重要なイノベーションを導入することを明らかにする。
まず、複雑で効率的な特徴を学習するためのエンコーダとして、適応的な双方向マンバを提案する。
第2に,畳み込み効率の低下を補うハードウェア対応並列リカレントアルゴリズムを開発した。
最後に、Deep DualMambaの近似能力と収束性を理論的に分析する。
これらの設計選択は、配列長による線形複雑化と推論スループットの大幅な改善を示す、単純化された、注意を要さない、MLPのないニューラルアーキテクチャで終わる。
気候情報学に適用可能性を示すため,英国観測所の歴史的気象データを用いた完全な予測パイプラインを構築した。
関連論文リスト
- ButterMamba: Butterworth-Enhanced Spatial-Temporal Mamba for Efficient Traffic Flow Prediction [18.6672232773905]
textbfButterMambaは、ステートスペースモデル(SSM)に基づいた、新しく効率的なフレームワークである。
ButterMambaは,(1)高周波ノイズを除去してデータを前処理するButterworth Spectral Filteringモジュール,(2)並列Mambaアーキテクチャを用いて道路網の長距離時間依存性と複雑な空間相関を効率的に捉える空間-テンポラル状態混合器の2つの主要コンポーネントから構成される。
論文 参考訳(メタデータ) (2026-08-30T08:46:11Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳(メタデータ) (2026-05-11T09:54:02Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳(メタデータ) (2026-05-09T13:12:33Z) - MMWSTM-ADRAN+: A Novel Hybrid Deep Learning Architecture for Enhanced Climate Time Series Forecasting and Extreme Event Prediction [0.0]
Anomaly-Driven Recurrent Attention Network Plus (MMWSTM-ADRAN+) を用いたマルチモード気象状態遷移モデルを提案する。
MMWSTMは双方向Long-Term Memory (BiLSTM)ユニットと学習可能なマルコフ状態遷移行列を組み合わせることで、共光スケール気象条件の変化を捉える。
2番目のストリームであるADRANは、双方向Gated Recurrent Units (BiGRUs)、マルチヘッド自己アテンション、および新しい異常増幅層を統合し、低確率信号に対する感度を高める。
論文 参考訳(メタデータ) (2025-11-17T14:31:54Z) - Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。
提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。
このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
論文 参考訳(メタデータ) (2025-10-28T10:52:15Z) - UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。
U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。
UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
論文 参考訳(メタデータ) (2024-10-15T04:56:43Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2024-08-21T09:12:59Z) - Bi-Mamba+: Bidirectional Mamba for Time Series Forecasting [5.166854384000439]
長期時系列予測(LTSF)は、将来のトレンドとパターンに関するより長い洞察を提供する。
近年,Mamba という新しい状態空間モデル (SSM) が提案されている。
入力データに対する選択的機能とハードウェア対応並列計算アルゴリズムにより、Mambaは予測性能と計算効率のバランスをとる大きな可能性を示した。
論文 参考訳(メタデータ) (2024-04-24T09:45:48Z)
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。