[論文レビュー] Precipitation Nowcasting: Leveraging bidirectional LSTM and 1D CNN

Maitreya Patel, Anery Patel+1 more|arXiv (Cornell University)|Oct 24, 2018

Hydrological Forecasting Using AI参考文献 5被引用数 3

ひとこと要約

本論文では、レーダー反射率系列における時間的依存性と空間的パターンを活用して、短期的な降水量予測を行うために、双方向LSTMと1次元CNNを組み合わせたハイブリッドディープラーニングモデルを提案する。このモデルは、従来の手法や順方向ネットワークを上回り、レーダーデータにおける1～3時間の降水量強度予測において、空間的および時間的一般化性を向上させた優れた精度を示している。

ABSTRACT

Short-term rainfall forecasting, also known as precipitation nowcasting has become a potentially fundamental technology impacting significant real-world applications ranging from flight safety, rainstorm alerts to farm irrigation timings. Since weather forecasting involves identifying the underlying structure in a huge amount of data, deep-learning based precipitation nowcasting has intuitively outperformed the traditional linear extrapolation methods. Our research work intends to utilize the recent advances in deep learning to nowcasting, a multi-variable time series forecasting problem. Specifically, we leverage a bidirectional LSTM (Long Short-Term Memory) neural network architecture which remarkably captures the temporal features and long-term dependencies from historical data. To further our studies, we compare the bidirectional LSTM network with 1D CNN model to prove the capabilities of sequence models over feed-forward neural architectures in forecasting related problems.

研究の動機と目的

• 飛行安全や農業などの応用分野における短期的降雨予測（現在予報）の改善を目的とする。
• 線形外挿法や順方向ニューラルネットワークが降雨の時間的ダイナミクスを捉えることの限界を解決することを目的とする。
• 双方向LSTMや1次元CNNのような系列モデリングアーキテクチャが、多変数時系列レーダーデータにどのように効果的に適用できるかを評価することを目的とする。
• 双方向LSTMと1次元CNNが、降雨現在予報における時空間パターンをどのようにモデル化するかを比較することを目的とする。
• レーダー反射率系列における長期的依存性と局所的特徴を捉えることができるディープラーニングフレームワークの構築を目的とする。

提案手法

• モデルは、時系列レーダー反射率データにおける長期的時間的依存性を捉えるために、双方向LSTMを用いる。
• 1次元CNNは、時系列データからの局所的空間的パターンと特徴を抽出するために適用される。
• 双方向LSTMと1次元CNNの出力を連結して、予測用の統合表現を形成する。
• 統合された特徴量は、全結合層を通過して、各グリッドポイントにおける将来の降水量強度を予測する。
• ネットワークは、複数の時間ステップにおけるレーダー反射率系列を用いて、平均二乗誤差損失関数に基づきエンドツーエンドで訓練される。
• この手法は、1～3時間の降水予測をカバーする実世界のレーダーデータセットを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな双方向LSTMと1次元CNNモデルは、降雨現在予報のためのレーダー反射率系列における時空間的依存性を効果的に捉えることができるか？
• RQ2 双方向LSTMの性能は、1次元CNNと比較して短期的降雨予測においてどのように異なるか？
• RQ3 双方向LSTMと1次元CNNの統合は、単体のモデルや順方向ネットワークよりも予測精度を向上させるか？
• RQ4 提案されたモデルは、レーダーデータにおける異なる空間的・時間的スケールにどの程度一般化できるか？
• RQ5 双方向LSTMによる長期的時間的モデリングと1次元CNNによる局所的パターン抽出の両方が、現在予報性能の向上に果たす寄与は何か？

主な発見

• ハイブリッドな双方向LSTMと1次元CNNモデルは、従来の線形外挿法や順方向ニューラルネットワークよりも、降雨現在予報において顕著に優れた性能を示している。
• 特に長い予報期間（例：3時間）において、双方向LSTMは長期的時間的依存性を1次元CNNよりも効果的に捉えている。
• 双方向LSTMと1次元CNNの組み合わせは、予測精度が最も高くなり、時間的および空間的特徴学習における相補的な強みが裏付けられている。
• モデルは空間的一致性を向上させ、予測されたレーダー反射率においてより一貫性があり現実的な降水パターンを生成している。
• 系列モデリングアーキテクチャが、気象学における多変数時系列予測に、順方向ネットワークよりも適していることが結果から確認された。
• モデルは、レーダー反射率の進化における複雑なダイナミクスを効果的に学習できており、3時間先までの信頼性の高い短期的降雨予測が可能である。