文献

J-GLOBAL ID：202202262059138460   整理番号：22A1171993

線形相関再構成と長期短期記憶に基づく原因駆動河川流量予測フレームワーク【JST・京大機械翻訳】

Cause-driven Streamflow Forecasting Framework Based on Linear Correlation Reconstruction and Long Short-term Memory

著者 (5件)： Lian Yani (State Key Laboratory of Eco-Hydraulics in Northwest Arid Region, Xi’an University of Technology, Xi’an, Shaanxi, China) ,  Luo Jungang (State Key Laboratory of Eco-Hydraulics in Northwest Arid Region, Xi’an University of Technology, Xi’an, Shaanxi, China) ,  Xue Wei (Hanjiang-To-Weihe River Water Diversion, Project Construction Co. Ltd, Shaanxi Province, Xi’an, Shaanxi, China) ,  Zuo Ganggang (State Key Laboratory of Eco-Hydraulics in Northwest Arid Region, Xi’an University of Technology, Xi’an, Shaanxi, China) ,  Zhang Shangyao (State Key Laboratory of Eco-Hydraulics in Northwest Arid Region, Xi’an University of Technology, Xi’an, Shaanxi, China)
資料名： Water Resources Management  (Water Resources Management)
巻： 36  号： 5  ページ： 1661-1678  発行年： 2022年 
JST資料番号： T0430A  ISSN： 0920-4741  CODEN： WRMAEJ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 合理的な流出予測は水資源管理の基礎である。しかし,河川流に対する環境変化の影響は,多くの以前の研究における十分な河川流量特徴の欠如により完全には明らかにされていない。対照的に,多くの特徴も,不安定なモデル,解釈困難,過剰適合,高い計算複雑性,および高いメモリ複雑性を含む望ましくない問題を引き起こす。上記の問題に取り組むために,本研究は,線形相関再構成と機械学習モデルに基づく原因駆動流出予測フレームワークを提案し,CSLMとしてこのフレームワークを参照する。VIF-PLC-LSTMと呼ばれるこのフレームワークを実現するために,分散インフレーション因子(VIF),ペアワイズ線形相関(PLC)再構成,および長い短期メモリ(LSTM)を用いた。4つの実験を行い,提案フレームワークの精度と効率およびVIF-PLC-LSTM実現を実証した。4つの実験は,1)駆動因子の異なるフィルタ閾値,2)異なる組合せ予測特性,3)線形相関特徴の異なる再構成方法,4)異なるCSLMモデル,を比較した。黄河源のTangnaihai観測所とHan川のYangxian観測所からの毎日の河川流データに関する実験結果は,1)データフィルタリングが特徴情報損失のリスクを有し,2)河川流,ERA5L,および気象データが同時に入力として使用されるとき,モデルの性能は他の予測特性の組合せより優れていることを示した。異なる予測特徴の予測効果,すなわち,線形相関特徴の再構成は,次元縮小よりも良いだけでなく,河川流予測の予測性能を改善でき,4)異なるCSLMモデルの間で,LSTMは他のモデルより優れている。Copyright The Author(s), under exclusive licence to Springer Nature B.V. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  フィルタ ,  インフレーション ,  予測 ,  リスク ,  気象データ ,  計算量 ,  再構成 ,  *河川流 ,  次元縮小 ,  機械学習
準シソーラス用語： 環境変化 ,  *河川流量 ,  複雑性 ,  水資源管理 , 【Automatic Indexing@JST】

著者キーワード (4件)： 河川流量予測 ,  機械学習 ,  長期短期記憶 ,  線形相関再構成

分類 (2件)： 水文学一般  (DC07010R) ,  流出解析  (DC07030N)

タイトルに関連する用語 (7件)： 線形相関 ,  再構成 ,  長期 ,  短期記憶 ,  原因 ,  河川流量予測 ,  フレームワーク