多変量時系列回帰のためのグラフニューラルネットワークと地震データへの応用【JST・京大機械翻訳】

Bloemheuvel Stefan; Hoogen Jurgen van den; Jozinovic Dario; Michelini Alberto; Atzmueller Martin

プレプリント

J-GLOBAL ID：202202218733335610 整理番号：22P0023055

多変量時系列回帰のためのグラフニューラルネットワークと地震データへの応用【JST・京大機械翻訳】

Graph Neural Networks for Multivariate Time Series Regression with Application to Seismic Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月03日プレプリントサーバーでの情報更新日： 2022年10月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層学習の進歩を伴う機械学習は,時系列解析において大きな可能性を示した。しかし,多くのシナリオにおいて,予測を潜在的に改良できる追加情報が利用可能である。これはセンサ位置に関する情報を含むセンサネットワークから生じるデータにとって重要である。次に,そのような空間情報を,逐次(時系列)情報とともに,グラフ構造を通してそれをモデリングすることによって開発することができた。グラフに深い学習を適応させる最近の進歩は,様々なタスクにおける可能性を示した。しかし,これらの方法は,時系列タスクに対して大きな範囲に適応していない。ほとんどの試みは,小さなシーケンス長で時系列予測の周りで本質的に統合されている。一般的に,これらのアーキテクチャは回帰や分類タスクに適していないが,予測すべき値は最も最近の値に依存するが,時系列の全長さにはあまり依存しない。TISER-GCN,特に多変量回帰タスクにおけるこれらの長い時系列処理のための新しいグラフニューラルネットワークアーキテクチャを提案した。提案モデルを地震波形を含む2つの地震データセットで試験し,そこでは,各地震観測所における地盤振動の最大強度測定を予測することを目的とした。著者らの知見は,著者らのアプローチの有望な結果を示し,平均MSE低減は16.3%であり,最良のベースラインと比較して,このアプローチが16.3%であった。さらに,本手法は,入力サイズの半分だけを必要とすることにより,ベースラインスコアと一致する。結果を,付加的アブレーション研究とともに深く考察した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る