多段階毎日の河川流量予測のための有向グラフ深層ニューラルネットワーク【JST・京大機械翻訳】

Liu Yongqi; Hou Guibing; Huang Feng; Qin Hui; Wang Baohua; Yi Ling

文献

J-GLOBAL ID：202202279504904913 整理番号：22A0919012

多段階毎日の河川流量予測のための有向グラフ深層ニューラルネットワーク【JST・京大機械翻訳】

Directed graph deep neural network for multi-step daily streamflow forecasting

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0919012&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0919012&from=J-GLOBAL&jstjournalNo=C0584A") }}

著者 (6件)： , , , , ,
資料名：
巻： 607 ページ： Null 発行年： 2022年
JST資料番号： C0584A ISSN： 0022-1694 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

信頼できて正確な多段階河川流予測は,水資源と水力エネルギーシステムの利用にとって極めて重要である。本論文では,空間深層学習モデル,有向グラフ深層ニューラルネットワーク,を多段階河川流予測のために提案した。提案モデルは,マルチサイト水文と気象情報を利用するために,空間情報捕捉プロセスと特徴集約プロセスを使用する。空間情報捕捉プロセスは,気象観測所の降水情報を抽出するための多重畳込み層から成る。そして,特徴集約プロセスは,多層パーセプトロンを使用して,降水情報と河川流量情報を集約する。提案したモデルを揚子江流域の上流における実世界事例研究に適用した。実験結果は,提案モデルが,予測精度に関して,人工ニューラルネットワーク,Long Short-Term記憶ネットワーク,Gate Recured Unit,およびConvolutional Neural Networkを,著しく凌駕することを証明した。予測精度に加えて,隠れMarkov回帰を採用して,有向グラフ深層ニューラルネットワークによって与えられた予測不確実性を定量化した。不確実性推定結果は,隠れMarkov回帰が,有向グラフ深層ニューラルネットワークによって与えられたヘテロ分散と非正規予測不確実性を扱うことができることを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

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

著者キーワード (5件)： , , , ,

水文学一般 , 流出解析

, , ,

前のページに戻る